
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt


pd.set_option('display.max_columns', 1200)
pd.set_option('display.max_rows', 1200)
pd.set_option('max_colwidt', None)


# Importamos dataset de CONTACTOS
df_contactos = pd.read_parquet("MSF_Contact.parquet")
df_contactos.head()


df_contactos.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1803419 entries, 0 to 1803418
Columns: 139 entries, id to msf_commitment__c
dtypes: bool(57), float64(36), object(46)
memory usage: 1.2+ GB


columnas_contactos =  df_contactos.columns.tolist()
columnas_contactos

['id',
 'msf_seniority__c',
 'npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_entrycampaign__c',
 'msf_firstcampaignrecurringdonorchannel__c',
 'leadsource',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_returnedmail__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'npsp__deceased__c',
 'msf_begindatemsf__c',
 'msf_fechacambiolevelrelacion__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'msf_lastdonationunique__c',
 'gender__c',
 'msf_crmexternalid__c',
 'msf_languagepreferer__c',
 'npo02__largestamount__c',
 'npo02__smallestamount__c',
 'npsp__first_soft_credit_amount__c',
 'npo02__lastoppamount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_relationshiplevel__c',
 'msf_ltvcont__c',
 'msf_ltvdesc__c',
 'msf_ltvscore__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'msf_contactdeletereason__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_noagradecimientosmi__c',
 'msf_noagradecimientoscp__c',
 'msf_noagradecimientosemail__c',
 'msf_noagradecimientossms__c',
 'msf_noagradecimientostelefono__c',
 'msf_nocaptacionfondoscp__c',
 'msf_nocaptacionfondosemail__c',
 'msf_nocaptacionfondosmi__c',
 'msf_nocaptacionfondossms__c',
 'msf_nocartasplanrelacioncp__c',
 'msf_nocertificadofiscalcp__c',
 'msf_nocertificadofiscalemail__c',
 'msf_nocertificadofiscalmi__c',
 'msf_nocertificadofiscalsms__c',
 'msf_nocesionimagenpromocion__c',
 'msf_nocomunicacionesonetooneemail__c',
 'msf_nocomunicaconesonetoonemi__c',
 'msf_nocomunicacionesonetoonecp__c',
 'msf_nocomunicaconesonetoonesms__c',
 'msf_nocomunicacionesonetoonetelefono__c',
 'msf_noemailingstematicosemail__c',
 'msf_noencuestaestudioconcursoemail__c',
 'msf_noencuestaestudioconcursomi__c',
 'msf_nollamadasbienvenidasencuestasotras__c',
 'msf_noencuestaestudioconcursosms__c',
 'msf_noencuestaestudioconcursotelefono__c',
 'msf_noinformaciontestamentaria__c',
 'msf_noinvitacioneseventosmi__c',
 'msf_noinvitacioneseventoscp__c',
 'msf_noinvitacioneseventosemail__c',
 'msf_noinvitacioneseventossms__c',
 'msf_noinvitacioneseventostelefono__c',
 'msf_nomailingstematicoscp__c',
 'msf_nomemoriacp__c',
 'msf_nomemoriaemail__c',
 'msf_nomemoriami__c',
 'msf_nomemoriasms__c',
 'msf_nomensajesplanrelacionsms__c',
 'msf_nomensajestematicosmi__c',
 'msf_nomensajestematicossms__c',
 'msf_nonewsletteremail__c',
 'msf_noplanrelacionemail__c',
 'msf_nomensajesplanrelacionmi__c',
 'msf_noplanrelaciontelefono__c',
 'msf_norevistacp__c',
 'msf_norevistaemail__c',
 'msf_norevistami__c',
 'msf_norevistasms__c',
 'msf_notelemarketingcaptacionfondos__c',
 'msf_hasfirstdonation__c',
 'msf_hasfirstnewrecurringdonation__c',
 'msf_firstcampaignentryrecurringdonor__c',
 'msf_firstcampaingcolaboration__c',
 'msf_firstannualizedquota__c',
 'msf_program__c',
 'msf_programaherencias__c',
 'msf_programais__c',
 'msf_pressurecomplaint__c',
 'msf_recencydonorcont__c',
 'msf_recencydonordesc__c',
 'msf_recencyrecurringdonorcont__c',
 'msf_recencyrecurringdonordesc__c',
 'msf_recencytotalcont__c',
 'msf_recencytotalscore__c',
 'recordtypeid',
 'msf_contactinformationsummary__c',
 'msf_percomssummary__c',
 'msf_rfvdonor__c',
 'msf_rfvrecurringdonor__c',
 'title',
 'msf_scoringrfvdonor__c',
 'msf_scoringrfvrecurringdonor__c',
 'msf_scoringrvtotal__c',
 'msf_mailingsegment__c',
 'msf_legacyconfidentiality__c',
 'msf_membertype__c',
 'npo02__totaloppamount__c',
 'npo02__oppamountthisyear__c',
 'npo02__oppamount2yearsago__c',
 'npo02__oppamountlastyear__c',
 'npo02__best_gift_year_total__c',
 'msf_totalfiscaloppamount__c',
 'msf_lastannualizedquota__c',
 'msf_valuetotalcont__c',
 'msf_valuetotaldesc__c',
 'msf_valuedonorcont__c',
 'msf_valuedonordesc__c',
 'msf_lastyeardonorvalue__c',
 'msf_maximumdonorvalue__c',
 'msf_averagedonorvalue__c',
 'msf_lifetime__c',
 'msf_commitment__c']


# Se revisa el nº total de registros y columnas de la tabla "Contactos"
df_contactos.shape

(1803419, 139)


# Se analizan la cantidad de nulos en cada variable del dataset
nulos = df_contactos.isnull().sum()
nulos

id                                                  0
msf_seniority__c                                    0
npo02__best_gift_year__c                            0
msf_birthyear__c                                    0
msf_entrycampaign__c                                0
msf_firstcampaignrecurringdonorchannel__c           0
leadsource                                          0
msf_firstcampaigncolaborationchannel__c             0
msf_returnedmail__c                                 0
npo02__averageamount__c                             0
msf_isactivedonor__c                                0
msf_isactiverecurringdonor__c                       0
npsp__deceased__c                                   0
msf_begindatemsf__c                                 1
msf_fechacambiolevelrelacion__c                  2204
msf_datefirstdonation__c                      1195087
msf_datefirstrecurringdonorquota__c            858069
msf_datelastrecurringdonorquota__c             858069
msf_datelastdonation__c                       1175962
npsp__largest_soft_credit_date__c             1803419
npsp__first_soft_credit_date__c               1803419
msf_entrydatecurrentrecurringdonor__c          809767
npsp__last_soft_credit_date__c                1803419
msf_firstentrydaterecurringdonor__c            809975
npo02__firstclosedate__c                       506557
msf_lastrecurringdonationdate__c              1231036
npo02__lastclosedate__c                       1803419
msf_lastdonationunique__c                     1803419
gender__c                                           0
msf_crmexternalid__c                                0
msf_languagepreferer__c                             0
npo02__largestamount__c                             0
npo02__smallestamount__c                            0
npsp__first_soft_credit_amount__c             1803419
npo02__lastoppamount__c                          3626
npsp__last_soft_credit_amount__c              1803419
msf_annualizedquotachange__c                  1145924
msf_relationshiplevel__c                            0
msf_ltvcont__c                                 507098
msf_ltvdesc__c                                      0
msf_ltvscore__c                                     0
mailingstate                                        0
npsp__largest_soft_credit_amount__c           1803419
msf_contactdeletereason__c                          0
npo02__soft_credit_last_year__c               1803419
npo02__soft_credit_this_year__c               1803419
npo02__soft_credit_two_years_ago__c           1803419
msf_noagradecimientosmi__c                          0
msf_noagradecimientoscp__c                          0
msf_noagradecimientosemail__c                       0
msf_noagradecimientossms__c                         0
msf_noagradecimientostelefono__c                    0
msf_nocaptacionfondoscp__c                          0
msf_nocaptacionfondosemail__c                       0
msf_nocaptacionfondosmi__c                          0
msf_nocaptacionfondossms__c                         0
msf_nocartasplanrelacioncp__c                       0
msf_nocertificadofiscalcp__c                        0
msf_nocertificadofiscalemail__c                     0
msf_nocertificadofiscalmi__c                        0
msf_nocertificadofiscalsms__c                       0
msf_nocesionimagenpromocion__c                      0
msf_nocomunicacionesonetooneemail__c                0
msf_nocomunicaconesonetoonemi__c                    0
msf_nocomunicacionesonetoonecp__c                   0
msf_nocomunicaconesonetoonesms__c                   0
msf_nocomunicacionesonetoonetelefono__c             0
msf_noemailingstematicosemail__c                    0
msf_noencuestaestudioconcursoemail__c               0
msf_noencuestaestudioconcursomi__c                  0
msf_nollamadasbienvenidasencuestasotras__c          0
msf_noencuestaestudioconcursosms__c                 0
msf_noencuestaestudioconcursotelefono__c            0
msf_noinformaciontestamentaria__c                   0
msf_noinvitacioneseventosmi__c                      0
msf_noinvitacioneseventoscp__c                      0
msf_noinvitacioneseventosemail__c                   0
msf_noinvitacioneseventossms__c                     0
msf_noinvitacioneseventostelefono__c                0
msf_nomailingstematicoscp__c                        0
msf_nomemoriacp__c                                  0
msf_nomemoriaemail__c                               0
msf_nomemoriami__c                                  0
msf_nomemoriasms__c                                 0
msf_nomensajesplanrelacionsms__c                    0
msf_nomensajestematicosmi__c                        0
msf_nomensajestematicossms__c                       0
msf_nonewsletteremail__c                            0
msf_noplanrelacionemail__c                          0
msf_nomensajesplanrelacionmi__c                     0
msf_noplanrelaciontelefono__c                       0
msf_norevistacp__c                                  0
msf_norevistaemail__c                               0
msf_norevistami__c                                  0
msf_norevistasms__c                                 0
msf_notelemarketingcaptacionfondos__c               0
msf_hasfirstdonation__c                             0
msf_hasfirstnewrecurringdonation__c                 0
msf_firstcampaignentryrecurringdonor__c             0
msf_firstcampaingcolaboration__c                    0
msf_firstannualizedquota__c                    841860
msf_program__c                                      0
msf_programaherencias__c                            0
msf_programais__c                                   0
msf_pressurecomplaint__c                            0
msf_recencydonorcont__c                       1177448
msf_recencydonordesc__c                             0
msf_recencyrecurringdonorcont__c               868629
msf_recencyrecurringdonordesc__c                    0
msf_recencytotalcont__c                        507444
msf_recencytotalscore__c                            0
recordtypeid                                        0
msf_contactinformationsummary__c                    0
msf_percomssummary__c                               0
msf_rfvdonor__c                                     0
msf_rfvrecurringdonor__c                            0
title                                               0
msf_scoringrfvdonor__c                              0
msf_scoringrfvrecurringdonor__c                     0
msf_scoringrvtotal__c                               0
msf_mailingsegment__c                               0
msf_legacyconfidentiality__c                        0
msf_membertype__c                                   0
npo02__totaloppamount__c                            1
npo02__oppamountthisyear__c                         0
npo02__oppamount2yearsago__c                        0
npo02__oppamountlastyear__c                         0
npo02__best_gift_year_total__c                 507444
msf_totalfiscaloppamount__c                         3
msf_lastannualizedquota__c                     850655
msf_valuetotalcont__c                          450726
msf_valuetotaldesc__c                               0
msf_valuedonorcont__c                         1178350
msf_valuedonordesc__c                               0
msf_lastyeardonorvalue__c                     1690288
msf_maximumdonorvalue__c                      1177577
msf_averagedonorvalue__c                      1177577
msf_lifetime__c                                507098
msf_commitment__c                              223407
dtype: int64


# Comprobamos si existen duplicados
print(len(df_contactos))
print(len(df_contactos.drop_duplicates()))

1803419
1803419


# Importamos dataset de RECURRING DONATION
df_re_donation = pd.read_parquet("MSF_RecurringDonation.parquet")
df_re_donation.head()


df_re_donation.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1198207 entries, 0 to 1198206
Data columns (total 21 columns):
 #   Column                                 Non-Null Count    Dtype  
---  ------                                 --------------    -----  
 0   id                                     1198207 non-null  object 
 1   isdeleted                              1198207 non-null  bool   
 2   msf_annualizedquota__c                 1198207 non-null  float64
 3   msf_cancelationdate__c                 715201 non-null   object 
 4   msf_cancelationreason__c               1198207 non-null  object 
 5   msf_currentcampaign__c                 1198207 non-null  object 
 6   msf_currentleadsource1__c              1198207 non-null  object 
 7   msf_currentquotamodification__c        1198207 non-null  object 
 8   msf_leadsource1__c                     1198207 non-null  object 
 9   msf_memberid__c                        1198207 non-null  object 
 10  npe03__amount__c                       1198207 non-null  float64
 11  npe03__contact__c                      1198207 non-null  object 
 12  npe03__date_established__c             1198207 non-null  object 
 13  npe03__installment_period__c           1198207 non-null  object 
 14  npe03__last_payment_date__c            1122597 non-null  object 
 15  npe03__next_payment_date__c            483302 non-null   object 
 16  npe03__open_ended_status__c            1198207 non-null  object 
 17  npe03__paid_amount__c                  1196308 non-null  float64
 18  npe03__recurring_donation_campaign__c  1198207 non-null  object 
 19  npe03__total_paid_installments__c      1196308 non-null  float64
 20  npsp4hub__payment_method__c            1198207 non-null  object 
dtypes: bool(1), float64(4), object(16)
memory usage: 184.0+ MB


columnas_re_donation =  df_re_donation.columns.tolist()
columnas_re_donation

['id',
 'isdeleted',
 'msf_annualizedquota__c',
 'msf_cancelationdate__c',
 'msf_cancelationreason__c',
 'msf_currentcampaign__c',
 'msf_currentleadsource1__c',
 'msf_currentquotamodification__c',
 'msf_leadsource1__c',
 'msf_memberid__c',
 'npe03__amount__c',
 'npe03__contact__c',
 'npe03__date_established__c',
 'npe03__installment_period__c',
 'npe03__last_payment_date__c',
 'npe03__next_payment_date__c',
 'npe03__open_ended_status__c',
 'npe03__paid_amount__c',
 'npe03__recurring_donation_campaign__c',
 'npe03__total_paid_installments__c',
 'npsp4hub__payment_method__c']


# Se revisa el nº total de registros y columnas de la tabla "donaciones recurrentes"
df_re_donation.shape

(1198207, 21)


# Se analizan la cantidad de nulos en cada variable del dataset
nulos = df_re_donation.isnull().sum()
nulos

id                                            0
isdeleted                                     0
msf_annualizedquota__c                        0
msf_cancelationdate__c                   483006
msf_cancelationreason__c                      0
msf_currentcampaign__c                        0
msf_currentleadsource1__c                     0
msf_currentquotamodification__c               0
msf_leadsource1__c                            0
msf_memberid__c                               0
npe03__amount__c                              0
npe03__contact__c                             0
npe03__date_established__c                    0
npe03__installment_period__c                  0
npe03__last_payment_date__c               75610
npe03__next_payment_date__c              714905
npe03__open_ended_status__c                   0
npe03__paid_amount__c                      1899
npe03__recurring_donation_campaign__c         0
npe03__total_paid_installments__c          1899
npsp4hub__payment_method__c                   0
dtype: int64


# Comprobamos si existen duplicados
print(len(df_re_donation))
print(len(df_re_donation.drop_duplicates()))

1198207
1198207


# Importamos dataset de MODIFICACION DE CUOTA 
df_mod_cuota = pd.read_parquet("MSF_QuotaModification.parquet")
df_mod_cuota.head()


df_mod_cuota.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2003019 entries, 0 to 2003018
Data columns (total 16 columns):
 #   Column                        Dtype  
---  ------                        -----  
 0   id                            object 
 1   isdeleted                     bool   
 2   name                          object 
 3   msf_recurringdonation__c      object 
 4   msf_campaigninfluence__c      object 
 5   msf_changeamount__c           float64
 6   msf_changeannualizedquota__c  float64
 7   msf_changetype__c             object 
 8   msf_leadsource1__c            object 
 9   msf_leadsource2__c            object 
 10  msf_leadsource3__c            object 
 11  msf_newamount__c              float64
 12  msf_newannualizedquota__c     float64
 13  msf_newrecurringperiod__c     object 
 14  msf_contactid__c              object 
 15  msf_changedate__c             object 
dtypes: bool(1), float64(4), object(11)
memory usage: 231.1+ MB


columnas_mod_cuota =  df_mod_cuota.columns.tolist()
columnas_mod_cuota

['id',
 'isdeleted',
 'name',
 'msf_recurringdonation__c',
 'msf_campaigninfluence__c',
 'msf_changeamount__c',
 'msf_changeannualizedquota__c',
 'msf_changetype__c',
 'msf_leadsource1__c',
 'msf_leadsource2__c',
 'msf_leadsource3__c',
 'msf_newamount__c',
 'msf_newannualizedquota__c',
 'msf_newrecurringperiod__c',
 'msf_contactid__c',
 'msf_changedate__c']


# Se revisa el nº total de registros y columnas de la tabla "donaciones recurrentes"
df_mod_cuota.shape

(2003019, 16)


# Se analizan la cantidad de nulos en cada variable del dataset
nulos = df_mod_cuota.isnull().sum()
nulos

id                                0
isdeleted                         0
name                              0
msf_recurringdonation__c          0
msf_campaigninfluence__c          0
msf_changeamount__c               0
msf_changeannualizedquota__c      0
msf_changetype__c                 0
msf_leadsource1__c                0
msf_leadsource2__c                0
msf_leadsource3__c                0
msf_newamount__c                  0
msf_newannualizedquota__c         0
msf_newrecurringperiod__c         0
msf_contactid__c                  0
msf_changedate__c               186
dtype: int64


# Comprobamos si existen duplicados
print(len(df_mod_cuota))
print(len(df_mod_cuota.drop_duplicates()))

2003019
2003019


# Importamos dataset de CAMPAÑAS
df_Campaign = pd.read_parquet("MSF_Campaign.parquet")
df_Campaign.head()


df_Campaign.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 11501 entries, 0 to 11500
Data columns (total 24 columns):
 #   Column                            Non-Null Count  Dtype 
---  ------                            --------------  ----- 
 0   id                                11501 non-null  object
 1   msf_attribute_1__c                11501 non-null  object
 2   msf_attribute_2__c                11501 non-null  object
 3   msf_attribute_3__c                11501 non-null  object
 4   msf_attribute_4__c                11501 non-null  object
 5   msf_attribute_5__c                11501 non-null  object
 6   msf_campaigndonationreporting__c  11501 non-null  object
 7   msf_campaignentryreporting__c     11501 non-null  object
 8   msf_canalsalidaconcatenado__c     11501 non-null  object
 9   msf_isemergency__c                11501 non-null  bool  
 10  msf_isonline__c                   11501 non-null  object
 11  msf_objective__c                  11501 non-null  object
 12  msf_objectivepublic__c            11501 non-null  object
 13  msf_outboundchannel1__c           11501 non-null  object
 14  msf_outboundchannel2__c           11501 non-null  object
 15  msf_ownby__c                      11501 non-null  object
 16  msf_previousstepchannel__c        11501 non-null  object
 17  msf_promoterindividual__c         11501 non-null  object
 18  msf_provider__c                   11501 non-null  object
 19  msf_segment__c                    11501 non-null  object
 20  msf_thematic__c                   11501 non-null  object
 21  ownerid                           11501 non-null  object
 22  recordtypeid                      11501 non-null  object
 23  status                            11501 non-null  object
dtypes: bool(1), object(23)
memory usage: 2.0+ MB


columnas_Campaign =  df_Campaign.columns.tolist()
columnas_Campaign

['id',
 'msf_attribute_1__c',
 'msf_attribute_2__c',
 'msf_attribute_3__c',
 'msf_attribute_4__c',
 'msf_attribute_5__c',
 'msf_campaigndonationreporting__c',
 'msf_campaignentryreporting__c',
 'msf_canalsalidaconcatenado__c',
 'msf_isemergency__c',
 'msf_isonline__c',
 'msf_objective__c',
 'msf_objectivepublic__c',
 'msf_outboundchannel1__c',
 'msf_outboundchannel2__c',
 'msf_ownby__c',
 'msf_previousstepchannel__c',
 'msf_promoterindividual__c',
 'msf_provider__c',
 'msf_segment__c',
 'msf_thematic__c',
 'ownerid',
 'recordtypeid',
 'status']


# Se revisa el nº total de registros y columnas de la tabla "donaciones recurrentes"
df_Campaign.shape

(11501, 24)


# Se analizan la cantidad de nulos en cada variable del dataset
nulos = df_Campaign.isnull().sum()
nulos

id                                  0
msf_attribute_1__c                  0
msf_attribute_2__c                  0
msf_attribute_3__c                  0
msf_attribute_4__c                  0
msf_attribute_5__c                  0
msf_campaigndonationreporting__c    0
msf_campaignentryreporting__c       0
msf_canalsalidaconcatenado__c       0
msf_isemergency__c                  0
msf_isonline__c                     0
msf_objective__c                    0
msf_objectivepublic__c              0
msf_outboundchannel1__c             0
msf_outboundchannel2__c             0
msf_ownby__c                        0
msf_previousstepchannel__c          0
msf_promoterindividual__c           0
msf_provider__c                     0
msf_segment__c                      0
msf_thematic__c                     0
ownerid                             0
recordtypeid                        0
status                              0
dtype: int64


# Comprobamos si existen duplicados
print(len(df_Campaign))
print(len(df_Campaign.drop_duplicates()))

11501
11501


# Importamos dataset de TAREAS
df_tareas2 = pd.read_csv("tarea_aumento_2.csv", names=['msf_Objective__c','msf_CloseType__c','id','ActivityDate','msf_Channel__c','msf_Campaign__c','msf_StartDate__c','Status','WhoId'])
df_tareas3 = pd.read_csv("tarea_aumento_3.csv", names=['msf_Objective__c','msf_CloseType__c','id','ActivityDate','msf_Channel__c','msf_Campaign__c','msf_StartDate__c','Status','WhoId'])
df_tareas4 = pd.read_csv("tarea_aumento_4.csv", names=['msf_Objective__c','msf_CloseType__c','id','ActivityDate','msf_Channel__c','msf_Campaign__c','msf_StartDate__c','Status','WhoId'])
df_tareas5 = pd.read_csv("tarea_aumento_5.csv", names=['msf_Objective__c','msf_CloseType__c','id','ActivityDate','msf_Channel__c','msf_Campaign__c','msf_StartDate__c','Status','WhoId'])
df_tareas6 = pd.read_csv("tarea_aumento_6.csv", names=['msf_Objective__c','msf_CloseType__c','id','ActivityDate','msf_Channel__c','msf_Campaign__c','msf_StartDate__c','Status','WhoId'])

C:\Users\marta\AppData\Local\Temp\ipykernel_2548\2290543.py:3: DtypeWarning: Columns (6) have mixed types. Specify dtype option on import or set low_memory=False.
  df_tareas3 = pd.read_csv("tarea_aumento_3.csv", names=['msf_Objective__c','msf_CloseType__c','id','ActivityDate','msf_Channel__c','msf_Campaign__c','msf_StartDate__c','Status','WhoId'])


# Unificamos las particiones en una unica tabla TAREA
df_tareas = pd.concat([df_tareas2,df_tareas3,df_tareas4,df_tareas5,df_tareas6])
df_tareas.head()


columnas_tareas =  df_tareas.columns.tolist()
columnas_tareas

['msf_Objective__c',
 'msf_CloseType__c',
 'id',
 'ActivityDate',
 'msf_Channel__c',
 'msf_Campaign__c',
 'msf_StartDate__c',
 'Status',
 'WhoId']


# Se revisa el nº total de registros y columnas de la tabla "tareas"
df_tareas.shape

(2612004, 9)


# Se analizan la cantidad de nulos en cada variable del dataset
nulos = df_tareas.isnull().sum()
nulos

msf_Objective__c          0
msf_CloseType__c      62202
id                        0
ActivityDate              0
msf_Channel__c            1
msf_Campaign__c      210116
msf_StartDate__c    1526897
Status                    0
WhoId                     0
dtype: int64


# Comprobamos si existen duplicados
print(len(df_tareas))
print(len(df_tareas.drop_duplicates()))

2612004
2612004


# Contabilizacion de los nulos valores de la variable
def count_nulos(df,variable,list_delete):
    
    '''
    Función count_nulos

    Uso:
    Sirva para realizar un conteo de los registros nulos y vacios de una variable seleccionada del dataframe de entrada.

    Parametros entrada:
    - df : dataframe de entrada.
    - variable: nombre de la variable sobre la que se quiere graficar. Variable tipo categorica o numerica.

    Salida:
    Frase en la que se detectará el nº de nulos y vacios, asi como su porcentaje del total de la tabla.
        
    '''
        
    nulos = df[[variable]].isnull().sum()[0]
    vacios = (df[[var]] == '').sum(axis=0)[0]
    print(f"El nº de nulos para la variable {variable} es {nulos}. Lo que supone un {(nulos/df.shape[0])*100}%")
    print(f"El nº de vacios para la variable {var} es {vacios}. Lo que supone un {(vacios/df.shape[0])*100}%")
    
    if ((nulos + vacios) / df.shape[0]) *100 > 20:
        list_delete.append(var)
        return list_delete


# Contabilizacion de los posibles valores de la variable
def freq_variables(df,variable):
    
    '''
    Función freq_variables

    Uso:
    Sirva para realizar un conteo de los posibles valores de una variable seleccionada del dataframe de entrada.

    Parametros entrada:
    - df : dataframe de entrada.
    - variable: nombre de la variable sobre la que se quiere graficar. Variable tipo categorica o numerica.

    Salida:
    La salida es una tabla que contiene los posibles valores de la variable de entrada y el nº de registros de cada valor en el dataframe.
        
    '''
    afreq = df[variable].value_counts()
    pfreq = df[variable].value_counts(normalize = True)*100
    freq_report = pd.DataFrame({'# Tot':afreq, '% Tot':pfreq})
    return freq_report


# Vamos a analizar la tabla recurring donation
df = df_re_donation


# Se crea una lista por ahora vacia, en la que se irán añadiendo las variables que se van a eliminar del dataset por motivos varios: no utilidad, gran volumen de nulos, ...
col_to_delete_re_donation=list()


# Vamos a realizar analisis por cada variable
var = "isdeleted"


# Analizamos nulos
count_nulos(df,var,col_to_delete_re_donation)

El nº de nulos para la variable isdeleted es 0. Lo que supone un 0.0%
El nº de vacios para la variable isdeleted es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Se va a añadir esta variable a la lista de columnas a borrar
col_to_delete_re_donation.append(var)
col_to_delete_re_donation

['isdeleted']


# Vamos a realizar analisis por cada variable
var = "msf_annualizedquota__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_re_donation)

El nº de nulos para la variable msf_annualizedquota__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_annualizedquota__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_cancelationdate__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_re_donation)

El nº de nulos para la variable msf_cancelationdate__c es 483006. Lo que supone un 40.3107309504952%
El nº de vacios para la variable msf_cancelationdate__c es 0. Lo que supone un 0.0%

['isdeleted', 'msf_cancelationdate__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_cancelationreason__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_re_donation)

El nº de nulos para la variable msf_cancelationreason__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_cancelationreason__c es 483501. Lo que supone un 40.35204267710004%

['isdeleted', 'msf_cancelationdate__c', 'msf_cancelationreason__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_currentcampaign__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_re_donation)

El nº de nulos para la variable msf_currentcampaign__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_currentcampaign__c es 19006. Lo que supone un 1.5862033855585889%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_currentleadsource1__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_re_donation)

El nº de nulos para la variable msf_currentleadsource1__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_currentleadsource1__c es 19170. Lo que supone un 1.5998905030599888%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_leadsource1__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_re_donation)

El nº de nulos para la variable msf_leadsource1__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_leadsource1__c es 173. Lo que supone un 0.014438239803306108%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npe03__amount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_re_donation)

El nº de nulos para la variable npe03__amount__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npe03__amount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npe03__date_established__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_re_donation)

El nº de nulos para la variable npe03__date_established__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npe03__date_established__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npe03__installment_period__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_re_donation)

El nº de nulos para la variable npe03__installment_period__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npe03__installment_period__c es 28832. Lo que supone un 2.4062620231729577%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npe03__open_ended_status__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_re_donation)

El nº de nulos para la variable npe03__open_ended_status__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npe03__open_ended_status__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npe03__paid_amount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_re_donation)

El nº de nulos para la variable npe03__paid_amount__c es 1899. Lo que supone un 0.15848680570218668%
El nº de vacios para la variable npe03__paid_amount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npe03__recurring_donation_campaign__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_re_donation)

El nº de nulos para la variable npe03__recurring_donation_campaign__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npe03__recurring_donation_campaign__c es 1. Lo que supone un 8.3458033545122e-05%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npe03__total_paid_installments__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_re_donation)

El nº de nulos para la variable npe03__total_paid_installments__c es 1899. Lo que supone un 0.15848680570218668%
El nº de vacios para la variable npe03__total_paid_installments__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp4hub__payment_method__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_re_donation)

El nº de nulos para la variable npsp4hub__payment_method__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npsp4hub__payment_method__c es 19192. Lo que supone un 1.6017265797979814%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Se va a añadir esta variable a la lista de columnas a borrar
col_to_delete_re_donation.append(var)
col_to_delete_re_donation

['isdeleted',
 'msf_cancelationdate__c',
 'msf_cancelationreason__c',
 'npsp4hub__payment_method__c']


# Vamos a analizar la tabla recurring donation
df = df_mod_cuota


# Se crea una lista por ahora vacia, en la que se irán añadiendo las variables que se van a eliminar del dataset por motivos varios: no utilidad, gran volumen de nulos, ...
col_to_delete_mod_cuota=list()


# Vamos a realizar analisis por cada variable
var = "name"


# Analizamos nulos
count_nulos(df,var,col_to_delete_mod_cuota)

El nº de nulos para la variable name es 0. Lo que supone un 0.0%
El nº de vacios para la variable name es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Se va a añadir esta variable a la lista de columnas a borrar
col_to_delete_mod_cuota.append(var)
col_to_delete_mod_cuota

['name']


# Vamos a realizar analisis por cada variable
var = "msf_changeamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_mod_cuota)

El nº de nulos para la variable msf_changeamount__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_changeamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_changeannualizedquota__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_mod_cuota)

El nº de nulos para la variable msf_changeannualizedquota__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_changeannualizedquota__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Se va a añadir esta variable a la lista de columnas a borrar
col_to_delete_mod_cuota.append("msf_changeamount__c")
col_to_delete_mod_cuota

['name', 'msf_changeamount__c']


# Vamos a realizar analisis por cada variable
var = "msf_changetype__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_mod_cuota)

El nº de nulos para la variable msf_changetype__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_changetype__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_leadsource1__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_mod_cuota)

El nº de nulos para la variable msf_leadsource1__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_leadsource1__c es 324788. Lo que supone un 16.21492357286676%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_leadsource2__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_mod_cuota)

El nº de nulos para la variable msf_leadsource2__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_leadsource2__c es 324964. Lo que supone un 16.22371030928813%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_leadsource3__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_mod_cuota)

El nº de nulos para la variable msf_leadsource3__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_leadsource3__c es 324964. Lo que supone un 16.22371030928813%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Se va a añadir esta variable a la lista de columnas a borrar
col_to_delete_mod_cuota.append("msf_leadsource1__c")
col_to_delete_mod_cuota.append("msf_leadsource2__c")
col_to_delete_mod_cuota

['name', 'msf_changeamount__c', 'msf_leadsource1__c', 'msf_leadsource2__c']


# Vamos a realizar analisis por cada variable
var = "msf_newamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_mod_cuota)

El nº de nulos para la variable msf_newamount__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_newamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_newannualizedquota__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_mod_cuota)

El nº de nulos para la variable msf_newannualizedquota__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_newannualizedquota__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_newrecurringperiod__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_mod_cuota)

El nº de nulos para la variable msf_newrecurringperiod__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_newrecurringperiod__c es 235. Lo que supone un 0.01173229010808185%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_changedate__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_mod_cuota)

El nº de nulos para la variable msf_changedate__c es 186. Lo que supone un 0.00928598280894989%
El nº de vacios para la variable msf_changedate__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a analizar la tabla contactos
df=df_contactos


# Se crea una lista por ahora vacia, en la que se irán añadiendo las variables que se van a eliminar del dataset por motivos varios: no utilidad, gran volumen de nulos, ...
col_to_delete_contactos=list()


# Vamos a realizar analisis por cada variable
var = "msf_seniority__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_seniority__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_seniority__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__best_gift_year__c"


# Analizamos nulos
count_nulos(df_contactos,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__best_gift_year__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__best_gift_year__c es 709207. Lo que supone un 39.32569192184401%

['npo02__best_gift_year__c']


# Analizamos posibles valores de la variable
freq_variables(df_contactos,var)


# Vamos a realizar analisis por cada variable
var = "msf_birthyear__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_birthyear__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_birthyear__c es 978577. Lo que supone un 54.26232062543425%

['npo02__best_gift_year__c', 'msf_birthyear__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_entrycampaign__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_entrycampaign__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_entrycampaign__c es 8854. Lo que supone un 0.49095634458769705%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "leadsource"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable leadsource es 0. Lo que supone un 0.0%
El nº de vacios para la variable leadsource es 8860. Lo que supone un 0.491289045973232%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_firstcampaigncolaborationchannel__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_firstcampaigncolaborationchannel__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_firstcampaigncolaborationchannel__c es 643136. Lo que supone un 35.66203971456439%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Se va a añadir esta variable a la lista de columnas a borrar
col_to_delete_contactos.append("msf_firstcampaigncolaborationchannel__c")
col_to_delete_contactos

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c']


# Vamos a realizar analisis por cada variable
var = "npo02__averageamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__averageamount__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__averageamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Se va a añadir esta variable a la lista de columnas a borrar
col_to_delete_contactos.append("npo02__averageamount__c")
col_to_delete_contactos

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c']


# Vamos a realizar analisis por cada variable
var = "msf_isactivedonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_isactivedonor__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_isactivedonor__c es 26966. Lo que supone un 1.4952709270557756%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_isactiverecurringdonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_isactiverecurringdonor__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_isactiverecurringdonor__c es 26966. Lo que supone un 1.4952709270557756%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Se va a añadir esta variable a la lista de columnas a borrar
col_to_delete_contactos.append("msf_isactiverecurringdonor__c")
col_to_delete_contactos

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c']


# Vamos a realizar analisis por cada variable
var = "npsp__deceased__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npsp__deceased__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npsp__deceased__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_begindatemsf__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_begindatemsf__c es 1. Lo que supone un 5.545023092248668e-05%
El nº de vacios para la variable msf_begindatemsf__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_fechacambiolevelrelacion__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_fechacambiolevelrelacion__c es 2204. Lo que supone un 0.12221230895316064%
El nº de vacios para la variable msf_fechacambiolevelrelacion__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_datefirstdonation__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_datefirstdonation__c es 1195087. Lo que supone un 66.26785012246184%
El nº de vacios para la variable msf_datefirstdonation__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_datefirstrecurringdonorquota__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_datefirstrecurringdonorquota__c es 858069. Lo que supone un 47.58012419742722%
El nº de vacios para la variable msf_datefirstrecurringdonorquota__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_datelastrecurringdonorquota__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_datelastrecurringdonorquota__c es 858069. Lo que supone un 47.58012419742722%
El nº de vacios para la variable msf_datelastrecurringdonorquota__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_datelastdonation__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_datelastdonation__c es 1175962. Lo que supone un 65.20736445606927%
El nº de vacios para la variable msf_datelastdonation__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp__largest_soft_credit_date__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npsp__largest_soft_credit_date__c es 1803419. Lo que supone un 100.0%
El nº de vacios para la variable npsp__largest_soft_credit_date__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp__first_soft_credit_date__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npsp__first_soft_credit_date__c es 1803419. Lo que supone un 100.0%
El nº de vacios para la variable npsp__first_soft_credit_date__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_entrydatecurrentrecurringdonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_entrydatecurrentrecurringdonor__c es 809767. Lo que supone un 44.90176714340927%
El nº de vacios para la variable msf_entrydatecurrentrecurringdonor__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp__last_soft_credit_date__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npsp__last_soft_credit_date__c es 1803419. Lo que supone un 100.0%
El nº de vacios para la variable npsp__last_soft_credit_date__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_firstentrydaterecurringdonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_firstentrydaterecurringdonor__c es 809975. Lo que supone un 44.913300791441145%
El nº de vacios para la variable msf_firstentrydaterecurringdonor__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__firstclosedate__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__firstclosedate__c es 506557. Lo que supone un 28.088702625402085%
El nº de vacios para la variable npo02__firstclosedate__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_lastrecurringdonationdate__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_lastrecurringdonationdate__c es 1231036. Lo que supone un 68.2612304738943%
El nº de vacios para la variable msf_lastrecurringdonationdate__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__lastclosedate__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__lastclosedate__c es 1803419. Lo que supone un 100.0%
El nº de vacios para la variable npo02__lastclosedate__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "gender__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable gender__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable gender__c es 139747. Lo que supone un 7.749003420724746%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_languagepreferer__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_languagepreferer__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_languagepreferer__c es 1. Lo que supone un 5.545023092248668e-05%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__largestamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__largestamount__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__largestamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__smallestamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__smallestamount__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__smallestamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp__first_soft_credit_amount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npsp__first_soft_credit_amount__c es 1803419. Lo que supone un 100.0%
El nº de vacios para la variable npsp__first_soft_credit_amount__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__lastoppamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__lastoppamount__c es 3626. Lo que supone un 0.2010625373249367%
El nº de vacios para la variable npo02__lastoppamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp__last_soft_credit_amount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npsp__last_soft_credit_amount__c es 1803419. Lo que supone un 100.0%
El nº de vacios para la variable npsp__last_soft_credit_amount__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_annualizedquotachange__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_annualizedquotachange__c es 1145924. Lo que supone un 63.541750419619625%
El nº de vacios para la variable msf_annualizedquotachange__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_relationshiplevel__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_relationshiplevel__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_relationshiplevel__c es 561. Lo que supone un 0.03110757954751503%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_ltvcont__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_ltvcont__c es 507098. Lo que supone un 28.11870120033115%
El nº de vacios para la variable msf_ltvcont__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "mailingstate"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable mailingstate es 0. Lo que supone un 0.0%
El nº de vacios para la variable mailingstate es 499399. Lo que supone un 27.691789872458923%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp__largest_soft_credit_amount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npsp__largest_soft_credit_amount__c es 1803419. Lo que supone un 100.0%
El nº de vacios para la variable npsp__largest_soft_credit_amount__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__soft_credit_last_year__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__soft_credit_last_year__c es 1803419. Lo que supone un 100.0%
El nº de vacios para la variable npo02__soft_credit_last_year__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__soft_credit_this_year__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__soft_credit_this_year__c es 1803419. Lo que supone un 100.0%
El nº de vacios para la variable npo02__soft_credit_this_year__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__soft_credit_two_years_ago__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__soft_credit_two_years_ago__c es 1803419. Lo que supone un 100.0%
El nº de vacios para la variable npo02__soft_credit_two_years_ago__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_nocaptacionfondoscp__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_nocaptacionfondoscp__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_nocaptacionfondoscp__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_nocaptacionfondosemail__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_nocaptacionfondosemail__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_nocaptacionfondosemail__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_nocaptacionfondosmi__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_nocaptacionfondosmi__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_nocaptacionfondosmi__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_nocaptacionfondossms__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_nocaptacionfondossms__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_nocaptacionfondossms__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_firstcampaignentryrecurringdonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_firstcampaignentryrecurringdonor__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_firstcampaignentryrecurringdonor__c es 809942. Lo que supone un 44.9114709338207%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_firstcampaignentryrecurringdonor__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_firstcampaingcolaboration__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_firstcampaingcolaboration__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_firstcampaingcolaboration__c es 511991. Lo que supone un 28.390019180234876%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_firstcampaignentryrecurringdonor__c',
 'msf_firstcampaingcolaboration__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_firstannualizedquota__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_firstannualizedquota__c es 841860. Lo que supone un 46.68133140440464%
El nº de vacios para la variable msf_firstannualizedquota__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_firstcampaignentryrecurringdonor__c',
 'msf_firstcampaingcolaboration__c',
 'msf_firstannualizedquota__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_program__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_program__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_program__c es 36959. Lo que supone un 2.049385084664185%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_programaherencias__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_programaherencias__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_programaherencias__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_programais__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_programais__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_programais__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_pressurecomplaint__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_pressurecomplaint__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_pressurecomplaint__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_recencydonorcont__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_recencydonorcont__c es 1177448. Lo que supone un 65.28976349922009%
El nº de vacios para la variable msf_recencydonorcont__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_firstcampaignentryrecurringdonor__c',
 'msf_firstcampaingcolaboration__c',
 'msf_firstannualizedquota__c',
 'msf_recencydonorcont__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_recencyrecurringdonorcont__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_recencyrecurringdonorcont__c es 868629. Lo que supone un 48.165678635968675%
El nº de vacios para la variable msf_recencyrecurringdonorcont__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_firstcampaignentryrecurringdonor__c',
 'msf_firstcampaingcolaboration__c',
 'msf_firstannualizedquota__c',
 'msf_recencydonorcont__c',
 'msf_recencyrecurringdonorcont__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_recencytotalcont__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_recencytotalcont__c es 507444. Lo que supone un 28.13788698023033%
El nº de vacios para la variable msf_recencytotalcont__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_firstcampaignentryrecurringdonor__c',
 'msf_firstcampaingcolaboration__c',
 'msf_firstannualizedquota__c',
 'msf_recencydonorcont__c',
 'msf_recencyrecurringdonorcont__c',
 'msf_recencytotalcont__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_percomssummary__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_percomssummary__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_percomssummary__c es 1. Lo que supone un 5.545023092248668e-05%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_scoringrfvdonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_scoringrfvdonor__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_scoringrfvdonor__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_scoringrfvrecurringdonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_scoringrfvrecurringdonor__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_scoringrfvrecurringdonor__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_scoringrvtotal__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_scoringrvtotal__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_scoringrvtotal__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_mailingsegment__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_mailingsegment__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_mailingsegment__c es 8. Lo que supone un 0.0004436018473798934%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_membertype__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_membertype__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_membertype__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__totaloppamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__totaloppamount__c es 1. Lo que supone un 5.545023092248668e-05%
El nº de vacios para la variable npo02__totaloppamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__oppamountthisyear__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__oppamountthisyear__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__oppamountthisyear__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__oppamount2yearsago__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__oppamount2yearsago__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__oppamount2yearsago__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__oppamountlastyear__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__oppamountlastyear__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__oppamountlastyear__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__best_gift_year_total__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__best_gift_year_total__c es 507444. Lo que supone un 28.13788698023033%
El nº de vacios para la variable npo02__best_gift_year_total__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_firstcampaignentryrecurringdonor__c',
 'msf_firstcampaingcolaboration__c',
 'msf_firstannualizedquota__c',
 'msf_recencydonorcont__c',
 'msf_recencyrecurringdonorcont__c',
 'msf_recencytotalcont__c',
 'npo02__best_gift_year_total__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_totalfiscaloppamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_totalfiscaloppamount__c es 3. Lo que supone un 0.00016635069276746005%
El nº de vacios para la variable msf_totalfiscaloppamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_lastannualizedquota__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_lastannualizedquota__c es 850655. Lo que supone un 47.1690161853679%
El nº de vacios para la variable msf_lastannualizedquota__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_firstcampaignentryrecurringdonor__c',
 'msf_firstcampaingcolaboration__c',
 'msf_firstannualizedquota__c',
 'msf_recencydonorcont__c',
 'msf_recencyrecurringdonorcont__c',
 'msf_recencytotalcont__c',
 'npo02__best_gift_year_total__c',
 'msf_lastannualizedquota__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_valuetotalcont__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_valuetotalcont__c es 450726. Lo que supone un 24.99286078276873%
El nº de vacios para la variable msf_valuetotalcont__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_firstcampaignentryrecurringdonor__c',
 'msf_firstcampaingcolaboration__c',
 'msf_firstannualizedquota__c',
 'msf_recencydonorcont__c',
 'msf_recencyrecurringdonorcont__c',
 'msf_recencytotalcont__c',
 'npo02__best_gift_year_total__c',
 'msf_lastannualizedquota__c',
 'msf_valuetotalcont__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_valuedonorcont__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_valuedonorcont__c es 1178350. Lo que supone un 65.33977960751217%
El nº de vacios para la variable msf_valuedonorcont__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_firstcampaignentryrecurringdonor__c',
 'msf_firstcampaingcolaboration__c',
 'msf_firstannualizedquota__c',
 'msf_recencydonorcont__c',
 'msf_recencyrecurringdonorcont__c',
 'msf_recencytotalcont__c',
 'npo02__best_gift_year_total__c',
 'msf_lastannualizedquota__c',
 'msf_valuetotalcont__c',
 'msf_valuedonorcont__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_lastyeardonorvalue__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_lastyeardonorvalue__c es 1690288. Lo que supone un 93.72685992550815%
El nº de vacios para la variable msf_lastyeardonorvalue__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_firstcampaignentryrecurringdonor__c',
 'msf_firstcampaingcolaboration__c',
 'msf_firstannualizedquota__c',
 'msf_recencydonorcont__c',
 'msf_recencyrecurringdonorcont__c',
 'msf_recencytotalcont__c',
 'npo02__best_gift_year_total__c',
 'msf_lastannualizedquota__c',
 'msf_valuetotalcont__c',
 'msf_valuedonorcont__c',
 'msf_lastyeardonorvalue__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_maximumdonorvalue__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_maximumdonorvalue__c es 1177577. Lo que supone un 65.29691657900909%
El nº de vacios para la variable msf_maximumdonorvalue__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_firstcampaignentryrecurringdonor__c',
 'msf_firstcampaingcolaboration__c',
 'msf_firstannualizedquota__c',
 'msf_recencydonorcont__c',
 'msf_recencyrecurringdonorcont__c',
 'msf_recencytotalcont__c',
 'npo02__best_gift_year_total__c',
 'msf_lastannualizedquota__c',
 'msf_valuetotalcont__c',
 'msf_valuedonorcont__c',
 'msf_lastyeardonorvalue__c',
 'msf_maximumdonorvalue__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_averagedonorvalue__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_averagedonorvalue__c es 1177577. Lo que supone un 65.29691657900909%
El nº de vacios para la variable msf_averagedonorvalue__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_firstcampaignentryrecurringdonor__c',
 'msf_firstcampaingcolaboration__c',
 'msf_firstannualizedquota__c',
 'msf_recencydonorcont__c',
 'msf_recencyrecurringdonorcont__c',
 'msf_recencytotalcont__c',
 'npo02__best_gift_year_total__c',
 'msf_lastannualizedquota__c',
 'msf_valuetotalcont__c',
 'msf_valuedonorcont__c',
 'msf_lastyeardonorvalue__c',
 'msf_maximumdonorvalue__c',
 'msf_averagedonorvalue__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_lifetime__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_lifetime__c es 507098. Lo que supone un 28.11870120033115%
El nº de vacios para la variable msf_lifetime__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_firstcampaignentryrecurringdonor__c',
 'msf_firstcampaingcolaboration__c',
 'msf_firstannualizedquota__c',
 'msf_recencydonorcont__c',
 'msf_recencyrecurringdonorcont__c',
 'msf_recencytotalcont__c',
 'npo02__best_gift_year_total__c',
 'msf_lastannualizedquota__c',
 'msf_valuetotalcont__c',
 'msf_valuedonorcont__c',
 'msf_lastyeardonorvalue__c',
 'msf_maximumdonorvalue__c',
 'msf_averagedonorvalue__c',
 'msf_lifetime__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_commitment__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_commitment__c es 223407. Lo que supone un 12.387969739699981%
El nº de vacios para la variable msf_commitment__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a analizar la tabla contactos
df=df_contactos[df_contactos["msf_isactiverecurringdonor__c"]=="Socio"]


# Se crea una lista por ahora vacia, en la que se irán añadiendo las variables que se van a eliminar del dataset por motivos varios: no utilidad, gran volumen de nulos, ...
col_to_delete_contactos_f=list()


# Vamos a realizar analisis por cada variable
var = "msf_seniority__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_seniority__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_seniority__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__best_gift_year__c"


# Analizamos nulos
count_nulos(df_contactos,var,col_to_delete_contactos_f)

El nº de nulos para la variable npo02__best_gift_year__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__best_gift_year__c es 709207. Lo que supone un 39.32569192184401%

['npo02__best_gift_year__c']


# Analizamos posibles valores de la variable
freq_variables(df_contactos,var)


# Vamos a realizar analisis por cada variable
var = "msf_birthyear__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_birthyear__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_birthyear__c es 110441. Lo que supone un 22.902427087826403%

['npo02__best_gift_year__c', 'msf_birthyear__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_entrycampaign__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_entrycampaign__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_entrycampaign__c es 43. Lo que supone un 0.008917017817445834%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "leadsource"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable leadsource es 0. Lo que supone un 0.0%
El nº de vacios para la variable leadsource es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_firstcampaigncolaborationchannel__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_firstcampaigncolaborationchannel__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_firstcampaigncolaborationchannel__c es 11926. Lo que supone un 2.473124523043233%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Se va a añadir esta variable a la lista de columnas a borrar
col_to_delete_contactos.append("msf_firstcampaigncolaborationchannel__c")
col_to_delete_contactos

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_firstcampaignentryrecurringdonor__c',
 'msf_firstcampaingcolaboration__c',
 'msf_firstannualizedquota__c',
 'msf_recencydonorcont__c',
 'msf_recencyrecurringdonorcont__c',
 'msf_recencytotalcont__c',
 'npo02__best_gift_year_total__c',
 'msf_lastannualizedquota__c',
 'msf_valuetotalcont__c',
 'msf_valuedonorcont__c',
 'msf_lastyeardonorvalue__c',
 'msf_maximumdonorvalue__c',
 'msf_averagedonorvalue__c',
 'msf_lifetime__c',
 'msf_firstcampaigncolaborationchannel__c']


# Vamos a realizar analisis por cada variable
var = "npo02__averageamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npo02__averageamount__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__averageamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Se va a añadir esta variable a la lista de columnas a borrar
col_to_delete_contactos.append("npo02__averageamount__c")
col_to_delete_contactos

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_firstcampaignentryrecurringdonor__c',
 'msf_firstcampaingcolaboration__c',
 'msf_firstannualizedquota__c',
 'msf_recencydonorcont__c',
 'msf_recencyrecurringdonorcont__c',
 'msf_recencytotalcont__c',
 'npo02__best_gift_year_total__c',
 'msf_lastannualizedquota__c',
 'msf_valuetotalcont__c',
 'msf_valuedonorcont__c',
 'msf_lastyeardonorvalue__c',
 'msf_maximumdonorvalue__c',
 'msf_averagedonorvalue__c',
 'msf_lifetime__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c']


# Vamos a realizar analisis por cada variable
var = "msf_isactivedonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_isactivedonor__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_isactivedonor__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_isactiverecurringdonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_isactiverecurringdonor__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_isactiverecurringdonor__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Se va a añadir esta variable a la lista de columnas a borrar
col_to_delete_contactos.append("msf_isactiverecurringdonor__c")
col_to_delete_contactos

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datefirstrecurringdonorquota__c',
 'msf_datelastrecurringdonorquota__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'msf_entrydatecurrentrecurringdonor__c',
 'npsp__last_soft_credit_date__c',
 'msf_firstentrydaterecurringdonor__c',
 'npo02__firstclosedate__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'msf_ltvcont__c',
 'mailingstate',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_firstcampaignentryrecurringdonor__c',
 'msf_firstcampaingcolaboration__c',
 'msf_firstannualizedquota__c',
 'msf_recencydonorcont__c',
 'msf_recencyrecurringdonorcont__c',
 'msf_recencytotalcont__c',
 'npo02__best_gift_year_total__c',
 'msf_lastannualizedquota__c',
 'msf_valuetotalcont__c',
 'msf_valuedonorcont__c',
 'msf_lastyeardonorvalue__c',
 'msf_maximumdonorvalue__c',
 'msf_averagedonorvalue__c',
 'msf_lifetime__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactiverecurringdonor__c']


# Vamos a realizar analisis por cada variable
var = "npsp__deceased__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npsp__deceased__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npsp__deceased__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_begindatemsf__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_begindatemsf__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_begindatemsf__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_fechacambiolevelrelacion__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_fechacambiolevelrelacion__c es 4. Lo que supone un 0.0008294900295298452%
El nº de vacios para la variable msf_fechacambiolevelrelacion__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_datefirstdonation__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_datefirstdonation__c es 302093. Lo que supone un 62.64578287268987%
El nº de vacios para la variable msf_datefirstdonation__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c', 'msf_birthyear__c', 'msf_datefirstdonation__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_datefirstrecurringdonorquota__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_datefirstrecurringdonorquota__c es 769. Lo que supone un 0.15946945817711272%
El nº de vacios para la variable msf_datefirstrecurringdonorquota__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_datelastrecurringdonorquota__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_datelastrecurringdonorquota__c es 769. Lo que supone un 0.15946945817711272%
El nº de vacios para la variable msf_datelastrecurringdonorquota__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_datelastdonation__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_datelastdonation__c es 301052. Lo que supone un 62.429908092504725%
El nº de vacios para la variable msf_datelastdonation__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp__largest_soft_credit_date__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npsp__largest_soft_credit_date__c es 482224. Lo que supone un 100.0%
El nº de vacios para la variable npsp__largest_soft_credit_date__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp__first_soft_credit_date__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npsp__first_soft_credit_date__c es 482224. Lo que supone un 100.0%
El nº de vacios para la variable npsp__first_soft_credit_date__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_entrydatecurrentrecurringdonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_entrydatecurrentrecurringdonor__c es 1. Lo que supone un 0.0002073725073824613%
El nº de vacios para la variable msf_entrydatecurrentrecurringdonor__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp__last_soft_credit_date__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npsp__last_soft_credit_date__c es 482224. Lo que supone un 100.0%
El nº de vacios para la variable npsp__last_soft_credit_date__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_firstentrydaterecurringdonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_firstentrydaterecurringdonor__c es 1. Lo que supone un 0.0002073725073824613%
El nº de vacios para la variable msf_firstentrydaterecurringdonor__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__firstclosedate__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npo02__firstclosedate__c es 825. Lo que supone un 0.17108231859053055%
El nº de vacios para la variable npo02__firstclosedate__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_lastrecurringdonationdate__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_lastrecurringdonationdate__c es 420974. Lo que supone un 87.29843392282424%
El nº de vacios para la variable msf_lastrecurringdonationdate__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__lastclosedate__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npo02__lastclosedate__c es 482224. Lo que supone un 100.0%
El nº de vacios para la variable npo02__lastclosedate__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "gender__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable gender__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable gender__c es 8953. Lo que supone un 1.8566060585951758%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_languagepreferer__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_languagepreferer__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_languagepreferer__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__largestamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npo02__largestamount__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__largestamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__smallestamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npo02__smallestamount__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__smallestamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp__first_soft_credit_amount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npsp__first_soft_credit_amount__c es 482224. Lo que supone un 100.0%
El nº de vacios para la variable npsp__first_soft_credit_amount__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__lastoppamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npo02__lastoppamount__c es 107. Lo que supone un 0.022188858289923355%
El nº de vacios para la variable npo02__lastoppamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp__last_soft_credit_amount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npsp__last_soft_credit_amount__c es 482224. Lo que supone un 100.0%
El nº de vacios para la variable npsp__last_soft_credit_amount__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_annualizedquotachange__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_annualizedquotachange__c es 5244. Lo que supone un 1.0874614287136268%
El nº de vacios para la variable msf_annualizedquotachange__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_relationshiplevel__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_relationshiplevel__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_relationshiplevel__c es 4. Lo que supone un 0.0008294900295298452%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_ltvcont__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_ltvcont__c es 825. Lo que supone un 0.17108231859053055%
El nº de vacios para la variable msf_ltvcont__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_ltvdesc__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_ltvdesc__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_ltvdesc__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "mailingstate"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable mailingstate es 0. Lo que supone un 0.0%
El nº de vacios para la variable mailingstate es 13102. Lo que supone un 2.7169945917250073%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp__largest_soft_credit_amount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npsp__largest_soft_credit_amount__c es 482224. Lo que supone un 100.0%
El nº de vacios para la variable npsp__largest_soft_credit_amount__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'npsp__largest_soft_credit_amount__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__soft_credit_last_year__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npo02__soft_credit_last_year__c es 482224. Lo que supone un 100.0%
El nº de vacios para la variable npo02__soft_credit_last_year__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__soft_credit_this_year__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npo02__soft_credit_this_year__c es 482224. Lo que supone un 100.0%
El nº de vacios para la variable npo02__soft_credit_this_year__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__soft_credit_two_years_ago__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npo02__soft_credit_two_years_ago__c es 482224. Lo que supone un 100.0%
El nº de vacios para la variable npo02__soft_credit_two_years_ago__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_nocaptacionfondoscp__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_nocaptacionfondoscp__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_nocaptacionfondoscp__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_nocaptacionfondosemail__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_nocaptacionfondosemail__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_nocaptacionfondosemail__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_nocaptacionfondosmi__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_nocaptacionfondosmi__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_nocaptacionfondosmi__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_nocaptacionfondossms__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_nocaptacionfondossms__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_nocaptacionfondossms__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_firstcampaignentryrecurringdonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_firstcampaignentryrecurringdonor__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_firstcampaignentryrecurringdonor__c es 1. Lo que supone un 0.0002073725073824613%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_firstcampaingcolaboration__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_firstcampaingcolaboration__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_firstcampaingcolaboration__c es 714. Lo que supone un 0.14806397027107734%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_firstannualizedquota__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_firstannualizedquota__c es 1. Lo que supone un 0.0002073725073824613%
El nº de vacios para la variable msf_firstannualizedquota__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_program__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_program__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_program__c es 129. Lo que supone un 0.026751053452337505%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_programaherencias__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_programaherencias__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_programaherencias__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_programais__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_programais__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_programais__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_pressurecomplaint__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_pressurecomplaint__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_pressurecomplaint__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_recencydonorcont__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_recencydonorcont__c es 301314. Lo que supone un 62.48423968943894%
El nº de vacios para la variable msf_recencydonorcont__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_recencydonorcont__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_recencyrecurringdonorcont__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_recencyrecurringdonorcont__c es 868. Lo que supone un 0.17999933640797636%
El nº de vacios para la variable msf_recencyrecurringdonorcont__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_recencytotalcont__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_recencytotalcont__c es 825. Lo que supone un 0.17108231859053055%
El nº de vacios para la variable msf_recencytotalcont__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_recencytotalscore__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_recencytotalscore__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_recencytotalscore__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_percomssummary__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_percomssummary__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_percomssummary__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_scoringrfvdonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_scoringrfvdonor__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_scoringrfvdonor__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_scoringrfvrecurringdonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_scoringrfvrecurringdonor__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_scoringrfvrecurringdonor__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_scoringrvtotal__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_scoringrvtotal__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_scoringrvtotal__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_mailingsegment__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_mailingsegment__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_mailingsegment__c es 7. Lo que supone un 0.0014516075516772288%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_membertype__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_membertype__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_membertype__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__totaloppamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npo02__totaloppamount__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__totaloppamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__oppamountthisyear__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npo02__oppamountthisyear__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__oppamountthisyear__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__oppamount2yearsago__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npo02__oppamount2yearsago__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__oppamount2yearsago__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__oppamountlastyear__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npo02__oppamountlastyear__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__oppamountlastyear__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__best_gift_year_total__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable npo02__best_gift_year_total__c es 825. Lo que supone un 0.17108231859053055%
El nº de vacios para la variable npo02__best_gift_year_total__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_totalfiscaloppamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_totalfiscaloppamount__c es 3. Lo que supone un 0.0006221175221473838%
El nº de vacios para la variable msf_totalfiscaloppamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_lastannualizedquota__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_lastannualizedquota__c es 1. Lo que supone un 0.0002073725073824613%
El nº de vacios para la variable msf_lastannualizedquota__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_valuetotalcont__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_valuetotalcont__c es 7. Lo que supone un 0.0014516075516772288%
El nº de vacios para la variable msf_valuetotalcont__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_valuetotaldesc__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_valuetotaldesc__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_valuetotaldesc__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_valuedonorcont__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_valuedonorcont__c es 301547. Lo que supone un 62.53255748365905%
El nº de vacios para la variable msf_valuedonorcont__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_recencydonorcont__c',
 'msf_valuedonorcont__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_lastyeardonorvalue__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_lastyeardonorvalue__c es 434203. Lo que supone un 90.04176482298682%
El nº de vacios para la variable msf_lastyeardonorvalue__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_recencydonorcont__c',
 'msf_valuedonorcont__c',
 'msf_lastyeardonorvalue__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_maximumdonorvalue__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_maximumdonorvalue__c es 301370. Lo que supone un 62.49585254985235%
El nº de vacios para la variable msf_maximumdonorvalue__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_recencydonorcont__c',
 'msf_valuedonorcont__c',
 'msf_lastyeardonorvalue__c',
 'msf_maximumdonorvalue__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_averagedonorvalue__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_averagedonorvalue__c es 301370. Lo que supone un 62.49585254985235%
El nº de vacios para la variable msf_averagedonorvalue__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_recencydonorcont__c',
 'msf_valuedonorcont__c',
 'msf_lastyeardonorvalue__c',
 'msf_maximumdonorvalue__c',
 'msf_averagedonorvalue__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_lifetime__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_lifetime__c es 825. Lo que supone un 0.17108231859053055%
El nº de vacios para la variable msf_lifetime__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_commitment__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos_f)

El nº de nulos para la variable msf_commitment__c es 4048. Lo que supone un 0.8394439098842031%
El nº de vacios para la variable msf_commitment__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Se analizar solo los contactos que tienen donaciones recurrentes, ya que son el objetivo del analisis, por ello solo se tendrán en cuanta los contactos coincidentes entre la tabla recurring donation y contactos
df_contactos_f = df_contactos[df_contactos.id.isin(df_re_donation.npe03__contact__c)]


# Vamos a analizar la tabla recurring donation
df=df_contactos_f


# Se crea una lista por ahora vacia, en la que se irán añadiendo las variables que se van a eliminar del dataset por motivos varios: no utilidad, gran volumen de nulos, ...
col_to_delete_contactos=list()


# Vamos a realizar analisis por cada variable
var = "msf_seniority__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_seniority__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_seniority__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__best_gift_year__c"


# Analizamos nulos
count_nulos(df_contactos,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__best_gift_year__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__best_gift_year__c es 709207. Lo que supone un 39.32569192184401%

['npo02__best_gift_year__c']


# Analizamos posibles valores de la variable
freq_variables(df_contactos,var)


# Vamos a realizar analisis por cada variable
var = "msf_birthyear__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_birthyear__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_birthyear__c es 216719. Lo que supone un 21.8013125915434%

['npo02__best_gift_year__c', 'msf_birthyear__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_entrycampaign__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_entrycampaign__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_entrycampaign__c es 74. Lo que supone un 0.007444188704147821%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "leadsource"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable leadsource es 0. Lo que supone un 0.0%
El nº de vacios para la variable leadsource es 20. Lo que supone un 0.0020119428930129245%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_firstcampaigncolaborationchannel__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_firstcampaigncolaborationchannel__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_firstcampaigncolaborationchannel__c es 139277. Lo que supone un 14.010868515508058%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Se va a añadir esta variable a la lista de columnas a borrar
col_to_delete_contactos.append("msf_firstcampaigncolaborationchannel__c")
col_to_delete_contactos

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c']


# Vamos a realizar analisis por cada variable
var = "npo02__averageamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__averageamount__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__averageamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Se va a añadir esta variable a la lista de columnas a borrar
col_to_delete_contactos.append("npo02__averageamount__c")
col_to_delete_contactos

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c']


# Vamos a realizar analisis por cada variable
var = "msf_isactivedonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_isactivedonor__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_isactivedonor__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Se va a añadir esta variable a la lista de columnas a borrar
col_to_delete_contactos.append("msf_isactivedonor__c")
col_to_delete_contactos

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c']


# Vamos a realizar analisis por cada variable
var = "msf_isactiverecurringdonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_isactiverecurringdonor__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_isactiverecurringdonor__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Se va a añadir esta variable a la lista de columnas a borrar
col_to_delete_contactos.append("msf_isactiverecurringdonor__c")
col_to_delete_contactos

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c']


# Vamos a realizar analisis por cada variable
var = "npsp__deceased__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npsp__deceased__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npsp__deceased__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_begindatemsf__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_begindatemsf__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_begindatemsf__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_fechacambiolevelrelacion__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_fechacambiolevelrelacion__c es 4. Lo que supone un 0.00040238857860258495%
El nº de vacios para la variable msf_fechacambiolevelrelacion__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_datefirstdonation__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_datefirstdonation__c es 727687. Lo que supone un 73.20323439939482%
El nº de vacios para la variable msf_datefirstdonation__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_datefirstrecurringdonorquota__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_datefirstrecurringdonorquota__c es 48715. Lo que supone un 4.9005899016562315%
El nº de vacios para la variable msf_datefirstrecurringdonorquota__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_datelastrecurringdonorquota__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_datelastrecurringdonorquota__c es 48715. Lo que supone un 4.9005899016562315%
El nº de vacios para la variable msf_datelastrecurringdonorquota__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_datelastdonation__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_datelastdonation__c es 726227. Lo que supone un 73.05636256820488%
El nº de vacios para la variable msf_datelastdonation__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp__largest_soft_credit_date__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npsp__largest_soft_credit_date__c es 994064. Lo que supone un 100.0%
El nº de vacios para la variable npsp__largest_soft_credit_date__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp__first_soft_credit_date__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npsp__first_soft_credit_date__c es 994064. Lo que supone un 100.0%
El nº de vacios para la variable npsp__first_soft_credit_date__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_entrydatecurrentrecurringdonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_entrydatecurrentrecurringdonor__c es 414. Lo que supone un 0.041647217885367536%
El nº de vacios para la variable msf_entrydatecurrentrecurringdonor__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp__last_soft_credit_date__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npsp__last_soft_credit_date__c es 994064. Lo que supone un 100.0%
El nº de vacios para la variable npsp__last_soft_credit_date__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_firstentrydaterecurringdonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_firstentrydaterecurringdonor__c es 623. Lo que supone un 0.06267202111735261%
El nº de vacios para la variable msf_firstentrydaterecurringdonor__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__firstclosedate__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__firstclosedate__c es 57038. Lo que supone un 5.73785993658356%
El nº de vacios para la variable npo02__firstclosedate__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_lastrecurringdonationdate__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_lastrecurringdonationdate__c es 421682. Lo que supone un 42.42000515057381%
El nº de vacios para la variable msf_lastrecurringdonationdate__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__lastclosedate__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__lastclosedate__c es 994064. Lo que supone un 100.0%
El nº de vacios para la variable npo02__lastclosedate__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "gender__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable gender__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable gender__c es 12555. Lo que supone un 1.2629971510888636%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_languagepreferer__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_languagepreferer__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_languagepreferer__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__largestamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__largestamount__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__largestamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__smallestamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__smallestamount__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__smallestamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp__first_soft_credit_amount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npsp__first_soft_credit_amount__c es 994064. Lo que supone un 100.0%
El nº de vacios para la variable npsp__first_soft_credit_amount__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__lastoppamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__lastoppamount__c es 3428. Lo que supone un 0.3448470118624153%
El nº de vacios para la variable npo02__lastoppamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp__last_soft_credit_amount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npsp__last_soft_credit_amount__c es 994064. Lo que supone un 100.0%
El nº de vacios para la variable npsp__last_soft_credit_amount__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_annualizedquotachange__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_annualizedquotachange__c es 444680. Lo que supone un 44.733538283249366%
El nº de vacios para la variable msf_annualizedquotachange__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_relationshiplevel__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_relationshiplevel__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_relationshiplevel__c es 4. Lo que supone un 0.00040238857860258495%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_ltvcont__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_ltvcont__c es 57038. Lo que supone un 5.73785993658356%
El nº de vacios para la variable msf_ltvcont__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "mailingstate"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable mailingstate es 0. Lo que supone un 0.0%
El nº de vacios para la variable mailingstate es 53511. Lo que supone un 5.383053807400731%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npsp__largest_soft_credit_amount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npsp__largest_soft_credit_amount__c es 994064. Lo que supone un 100.0%
El nº de vacios para la variable npsp__largest_soft_credit_amount__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'npsp__largest_soft_credit_amount__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__soft_credit_last_year__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__soft_credit_last_year__c es 994064. Lo que supone un 100.0%
El nº de vacios para la variable npo02__soft_credit_last_year__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__soft_credit_this_year__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__soft_credit_this_year__c es 994064. Lo que supone un 100.0%
El nº de vacios para la variable npo02__soft_credit_this_year__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__soft_credit_two_years_ago__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__soft_credit_two_years_ago__c es 994064. Lo que supone un 100.0%
El nº de vacios para la variable npo02__soft_credit_two_years_ago__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_nocaptacionfondoscp__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_nocaptacionfondoscp__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_nocaptacionfondoscp__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_nocaptacionfondosemail__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_nocaptacionfondosemail__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_nocaptacionfondosemail__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_nocaptacionfondosmi__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_nocaptacionfondosmi__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_nocaptacionfondosmi__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_nocaptacionfondossms__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_nocaptacionfondossms__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_nocaptacionfondossms__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_firstcampaignentryrecurringdonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_firstcampaignentryrecurringdonor__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_firstcampaignentryrecurringdonor__c es 589. Lo que supone un 0.05925171819923063%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_firstcampaingcolaboration__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_firstcampaingcolaboration__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_firstcampaingcolaboration__c es 45219. Lo que supone un 4.548902283957572%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_firstannualizedquota__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_firstannualizedquota__c es 32507. Lo que supone un 3.270111381158557%
El nº de vacios para la variable msf_firstannualizedquota__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_program__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_program__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_program__c es 27752. Lo que supone un 2.7917719583447345%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_programaherencias__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_programaherencias__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_programaherencias__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_programais__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_programais__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_programais__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_pressurecomplaint__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_pressurecomplaint__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_pressurecomplaint__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_recencydonorcont__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_recencydonorcont__c es 727424. Lo que supone un 73.17677735035168%
El nº de vacios para la variable msf_recencydonorcont__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_recencydonorcont__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_recencyrecurringdonorcont__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_recencyrecurringdonorcont__c es 59274. Lo que supone un 5.962795152022405%
El nº de vacios para la variable msf_recencyrecurringdonorcont__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_recencytotalcont__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_recencytotalcont__c es 57038. Lo que supone un 5.73785993658356%
El nº de vacios para la variable msf_recencytotalcont__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_scoringrfvdonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_scoringrfvdonor__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_scoringrfvdonor__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_scoringrfvrecurringdonor__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_scoringrfvrecurringdonor__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_scoringrfvrecurringdonor__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_scoringrvtotal__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_scoringrvtotal__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_scoringrvtotal__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_mailingsegment__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_mailingsegment__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_mailingsegment__c es 7. Lo que supone un 0.0007041800125545236%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_membertype__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_membertype__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_membertype__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__totaloppamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__totaloppamount__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__totaloppamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__oppamountthisyear__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__oppamountthisyear__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__oppamountthisyear__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__oppamount2yearsago__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__oppamount2yearsago__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__oppamount2yearsago__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__oppamountlastyear__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__oppamountlastyear__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable npo02__oppamountlastyear__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "npo02__best_gift_year_total__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable npo02__best_gift_year_total__c es 57038. Lo que supone un 5.73785993658356%
El nº de vacios para la variable npo02__best_gift_year_total__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_totalfiscaloppamount__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_totalfiscaloppamount__c es 3. Lo que supone un 0.0003017914339519387%
El nº de vacios para la variable msf_totalfiscaloppamount__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_lastannualizedquota__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_lastannualizedquota__c es 41302. Lo que supone un 4.154863268360991%
El nº de vacios para la variable msf_lastannualizedquota__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_valuetotalcont__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_valuetotalcont__c es 520. Lo que supone un 0.052310515218336046%
El nº de vacios para la variable msf_valuetotalcont__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_valuedonorcont__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_valuedonorcont__c es 727868. Lo que supone un 73.22144248257658%
El nº de vacios para la variable msf_valuedonorcont__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_recencydonorcont__c',
 'msf_valuedonorcont__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_lastyeardonorvalue__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_lastyeardonorvalue__c es 939961. Lo que supone un 94.5573926829661%
El nº de vacios para la variable msf_lastyeardonorvalue__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_recencydonorcont__c',
 'msf_valuedonorcont__c',
 'msf_lastyeardonorvalue__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_maximumdonorvalue__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_maximumdonorvalue__c es 727510. Lo que supone un 73.18542870479165%
El nº de vacios para la variable msf_maximumdonorvalue__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_recencydonorcont__c',
 'msf_valuedonorcont__c',
 'msf_lastyeardonorvalue__c',
 'msf_maximumdonorvalue__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_averagedonorvalue__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_averagedonorvalue__c es 727510. Lo que supone un 73.18542870479165%
El nº de vacios para la variable msf_averagedonorvalue__c es 0. Lo que supone un 0.0%

['npo02__best_gift_year__c',
 'msf_birthyear__c',
 'msf_firstcampaigncolaborationchannel__c',
 'npo02__averageamount__c',
 'msf_isactivedonor__c',
 'msf_isactiverecurringdonor__c',
 'msf_datefirstdonation__c',
 'msf_datelastdonation__c',
 'npsp__largest_soft_credit_date__c',
 'npsp__first_soft_credit_date__c',
 'npsp__last_soft_credit_date__c',
 'msf_lastrecurringdonationdate__c',
 'npo02__lastclosedate__c',
 'npsp__first_soft_credit_amount__c',
 'npsp__last_soft_credit_amount__c',
 'msf_annualizedquotachange__c',
 'npsp__largest_soft_credit_amount__c',
 'npo02__soft_credit_last_year__c',
 'npo02__soft_credit_this_year__c',
 'npo02__soft_credit_two_years_ago__c',
 'msf_recencydonorcont__c',
 'msf_valuedonorcont__c',
 'msf_lastyeardonorvalue__c',
 'msf_maximumdonorvalue__c',
 'msf_averagedonorvalue__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_lifetime__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_lifetime__c es 57038. Lo que supone un 5.73785993658356%
El nº de vacios para la variable msf_lifetime__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_commitment__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_contactos)

El nº de nulos para la variable msf_commitment__c es 20360. Lo que supone un 2.0481578650871572%
El nº de vacios para la variable msf_commitment__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a analizar la tabla Campañas
df = df_Campaign


# Se crea una lista por ahora vacia, en la que se irán añadiendo las variables que se van a eliminar del dataset por motivos varios: no utilidad, gran volumen de nulos, ...
col_to_delete_campaign=list()


# Vamos a realizar analisis por cada variable
var = "id"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable id es 0. Lo que supone un 0.0%
El nº de vacios para la variable id es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "id"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable id es 0. Lo que supone un 0.0%
El nº de vacios para la variable id es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_attribute_1__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_attribute_1__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_attribute_1__c es 4816. Lo que supone un 41.8746195982958%

['msf_attribute_1__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_attribute_2__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_attribute_2__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_attribute_2__c es 7264. Lo que supone un 63.15972524128337%

['msf_attribute_1__c', 'msf_attribute_2__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_attribute_3__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_attribute_3__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_attribute_3__c es 10652. Lo que supone un 92.61803321450309%

['msf_attribute_1__c', 'msf_attribute_2__c', 'msf_attribute_3__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_attribute_4__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_attribute_4__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_attribute_4__c es 10943. Lo que supone un 95.14824797843666%

['msf_attribute_1__c',
 'msf_attribute_2__c',
 'msf_attribute_3__c',
 'msf_attribute_4__c']


# Vamos a realizar analisis por cada variable
var = "msf_attribute_5__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_attribute_5__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_attribute_5__c es 11223. Lo que supone un 97.58281888531431%

['msf_attribute_1__c',
 'msf_attribute_2__c',
 'msf_attribute_3__c',
 'msf_attribute_4__c',
 'msf_attribute_5__c']


# Vamos a realizar analisis por cada variable
var = "msf_campaigndonationreporting__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_campaigndonationreporting__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_campaigndonationreporting__c es 42. Lo que supone un 0.36518563603164944%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_campaignentryreporting__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_campaignentryreporting__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_campaignentryreporting__c es 42. Lo que supone un 0.36518563603164944%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_canalsalidaconcatenado__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_canalsalidaconcatenado__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_canalsalidaconcatenado__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_campaignentryreporting__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_campaignentryreporting__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_campaignentryreporting__c es 42. Lo que supone un 0.36518563603164944%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_isemergency__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_isemergency__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_isemergency__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_isonline__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_isonline__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_isonline__c es 139. Lo que supone un 1.2085905573428397%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_objective__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_objective__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_objective__c es 105. Lo que supone un 0.9129640900791236%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_objectivepublic__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_objectivepublic__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_objectivepublic__c es 10272. Lo que supone un 89.31397269802626%

['msf_attribute_1__c',
 'msf_attribute_2__c',
 'msf_attribute_3__c',
 'msf_attribute_4__c',
 'msf_attribute_5__c',
 'msf_objectivepublic__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_outboundchannel1__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_outboundchannel1__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_outboundchannel1__c es 119. Lo que supone un 1.0346926354230066%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_outboundchannel2__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_outboundchannel2__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_outboundchannel2__c es 11501. Lo que supone un 100.0%

['msf_attribute_1__c',
 'msf_attribute_2__c',
 'msf_attribute_3__c',
 'msf_attribute_4__c',
 'msf_attribute_5__c',
 'msf_objectivepublic__c',
 'msf_outboundchannel2__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_ownby__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_ownby__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_ownby__c es 133. Lo que supone un 1.1564211807668898%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_previousstepchannel__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_previousstepchannel__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_previousstepchannel__c es 11187. Lo que supone un 97.26980262585863%

['msf_attribute_1__c',
 'msf_attribute_2__c',
 'msf_attribute_3__c',
 'msf_attribute_4__c',
 'msf_attribute_5__c',
 'msf_objectivepublic__c',
 'msf_outboundchannel2__c',
 'msf_previousstepchannel__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_promoterindividual__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_promoterindividual__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_promoterindividual__c es 7475. Lo que supone un 64.99434831753761%

['msf_attribute_1__c',
 'msf_attribute_2__c',
 'msf_attribute_3__c',
 'msf_attribute_4__c',
 'msf_attribute_5__c',
 'msf_objectivepublic__c',
 'msf_outboundchannel2__c',
 'msf_previousstepchannel__c',
 'msf_promoterindividual__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_provider__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_provider__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_provider__c es 7279. Lo que supone un 63.29014868272325%

['msf_attribute_1__c',
 'msf_attribute_2__c',
 'msf_attribute_3__c',
 'msf_attribute_4__c',
 'msf_attribute_5__c',
 'msf_objectivepublic__c',
 'msf_outboundchannel2__c',
 'msf_previousstepchannel__c',
 'msf_promoterindividual__c',
 'msf_provider__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_segment__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_segment__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_segment__c es 110. Lo que supone un 0.9564385705590819%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "recordtypeid"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable recordtypeid es 0. Lo que supone un 0.0%
El nº de vacios para la variable recordtypeid es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "status"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable status es 0. Lo que supone un 0.0%
El nº de vacios para la variable status es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "ownerid"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable ownerid es 0. Lo que supone un 0.0%
El nº de vacios para la variable ownerid es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_thematic__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_thematic__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_thematic__c es 111. Lo que supone un 0.9651334666550734%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a analizar la tabla Campañas
df = df_tareas


# Se crea una lista por ahora vacia, en la que se irán añadiendo las variables que se van a eliminar del dataset por motivos varios: no utilidad, gran volumen de nulos, ...
col_to_delete_tareas=list()


# Vamos a realizar analisis por cada variable
var = "msf_Objective__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_Objective__c es 0. Lo que supone un 0.0%
El nº de vacios para la variable msf_Objective__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_CloseType__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_CloseType__c es 62202. Lo que supone un 2.381389921301805%
El nº de vacios para la variable msf_CloseType__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "ActivityDate"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable ActivityDate es 0. Lo que supone un 0.0%
El nº de vacios para la variable ActivityDate es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_Channel__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_Channel__c es 1. Lo que supone un 3.828478057460861e-05%
El nº de vacios para la variable msf_Channel__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_Campaign__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_Campaign__c es 210116. Lo que supone un 8.044244955214463%
El nº de vacios para la variable msf_Campaign__c es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "msf_StartDate__c"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable msf_StartDate__c es 1526897. Lo que supone un 58.45691660502818%
El nº de vacios para la variable msf_StartDate__c es 0. Lo que supone un 0.0%

['msf_attribute_1__c',
 'msf_attribute_2__c',
 'msf_attribute_3__c',
 'msf_attribute_4__c',
 'msf_attribute_5__c',
 'msf_objectivepublic__c',
 'msf_outboundchannel2__c',
 'msf_previousstepchannel__c',
 'msf_promoterindividual__c',
 'msf_provider__c',
 'msf_StartDate__c']


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "Status"

El nº de nulos para la variable Status es 0. Lo que supone un 0.0%
El nº de vacios para la variable Status es 0. Lo que supone un 0.0%

El nº de nulos para la variable WhoId es 0. Lo que supone un 0.0%
El nº de vacios para la variable WhoId es 0. Lo que supone un 0.0%


# Vamos a realizar analisis por cada variable
var = "Status"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable Status es 0. Lo que supone un 0.0%
El nº de vacios para la variable Status es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)


# Vamos a realizar analisis por cada variable
var = "WhoId"


# Analizamos nulos
count_nulos(df,var,col_to_delete_campaign)

El nº de nulos para la variable WhoId es 0. Lo que supone un 0.0%
El nº de vacios para la variable WhoId es 0. Lo que supone un 0.0%


# Analizamos posibles valores de la variable
freq_variables(df,var)

	id	isdeleted	msf_annualizedquota__c	msf_cancelationdate__c	msf_cancelationreason__c	msf_currentcampaign__c	msf_currentleadsource1__c	msf_currentquotamodification__c	msf_leadsource1__c	msf_memberid__c	npe03__amount__c	npe03__contact__c	npe03__date_established__c	npe03__installment_period__c	npe03__last_payment_date__c	npe03__next_payment_date__c	npe03__open_ended_status__c	npe03__recurring_donation_campaign__c	npsp4hub__payment_method__c
0	a093Y00001RhiLNQAZ	False	72.00	2011-02-04	Impago aportaciones	7013Y000001mqt9QAA	Telemarketing	a1y3Y000004sW6pQAE	Cupón	9969053	6.00	0033Y00002uppXLQAY	2011-01-07	Monthly	2011-03-01	None	Closed	7013Y000001mqt9QAA	Direct Debit
1	a093Y00001RhiLVQAZ	False	72.12	2010-11-09	3 Obs/Tcs Devueltas	7013Y000001mqy2QAA	Cupón	a1y3Y000004uVpAQAU	Cupón	9969066	6.01	0033Y00002uppXXQAY	2000-02-01	Monthly	2010-12-01	None	Closed	7013Y000001mrOjQAI	Direct Debit
2	a093Y00001RhiLdQAJ	False	144.24	2005-05-09	Impago aportaciones	7013Y000001mrOjQAI	Cupón	a1y3Y000004tQbhQAE	Cupón	9969086	12.02	0033Y00002uppXqQAI	2000-02-01	Monthly	2005-05-04	None	Closed	7013Y000001mrOjQAI	Direct Debit
3	a093Y00001RhiLoQAJ	False	72.12	2001-05-29	3 Obs/Tcs Devueltas	7013Y000001mrOjQAI	Cupón	a1y3Y000004sun6QAA	Cupón	9969107	6.01	0033Y00002uppYCQAY	2000-02-01	Monthly	2001-05-01	None	Closed	7013Y000001mrOjQAI	Direct Debit
4	a093Y00001RhiLtQAJ	False	72.12	2010-05-03	Incidencias Web	7013Y000001mrOjQAI	Cupón	a1y3Y000004sD40QAE	Cupón	9969113	6.01	0033Y00002uppYIQAY	2000-02-01	Monthly	2010-04-01	None	Closed	7013Y000001mrOjQAI	Direct Debit

	id	isdeleted	name	msf_recurringdonation__c	msf_campaigninfluence__c	msf_changeamount__c	msf_changeannualizedquota__c	msf_changetype__c	msf_leadsource1__c	msf_leadsource2__c	msf_leadsource3__c	msf_newamount__c	msf_newannualizedquota__c	msf_newrecurringperiod__c	msf_contactid__c	msf_changedate__c
0	a1y3Y000001sAtxQAE	False	A - 15948014621775	a093Y00001RZ7cgQAD	7013Y000001mquNQAQ	5.0	60.0	Increase	Teléfono web	Teléfono web	Teléfono	20.0	240.0	Monthly	0033Y00002uNQ6CQAW	2020-04-02
1	a1y3Y000001sAu5QAE	False	A - 159480146217713	a093Y00001RZ7eLQAT	7013Y000001mrgcQAA	20.0	240.0	Increase	Telemarketing	Telemarketing	Teléfono	40.0	480.0	Monthly	0033Y00002uNQJ6QAO	2020-05-03
2	a1y3Y000001sAuDQAU	False	D - 159480146217721	a093Y00001RZ7kmQAD	7013Y000001mrgcQAA	8.0	104.0	Decrease	Telemarketing	Telemarketing	Teléfono	68.0	136.0	Semestral	0033Y00002uNREvQAO	2020-04-02
3	a1y3Y000001sAuLQAU	False	A - 159480146217729	a093Y00001RZ8NEQA1	7013Y000001mqtMQAQ	35.0	35.0	Increase	Telemarketing	Telemarketing	Teléfono	110.0	110.0	Yearly	0033Y00002uNSmdQAG	2020-03-02
4	a1y3Y000001sAuTQAU	False	A - 159480146217737	a093Y00001RZ9UeQAL	7013Y000001mrgcQAA	2.0	24.0	Increase	Telemarketing	Telemarketing	Teléfono	19.0	228.0	Monthly	0033Y00002uNV7OQAW	2020-07-01

	id	msf_attribute_1__c	msf_campaigndonationreporting__c	msf_campaignentryreporting__c	msf_canalsalidaconcatenado__c	msf_isemergency__c	msf_isonline__c	msf_objective__c	msf_outboundchannel1__c	msf_ownby__c	msf_segment__c	msf_thematic__c	ownerid	recordtypeid	status
0	7013Y000001mrHWQAY	Afiliación Leads	23-Digital Orgánico	23-Digital Orgánico	Afiliación -	False	Si	Captación de socios o donantes	Afiliación	Digital	Frio individuos	90	0050O000009jTv8QAE	0120O000000kNMGQA2	Completed
1	7013Y000001mrEdQAI		16-Captación off resto	18-Captación off resto	Prensa o cupón -	False	No	Captación de socios o donantes	Prensa o cupón	Captación	Frío individuos	90	0050O000009jTv8QAE	0120O000000kNMGQA2	Completed
2	7013Y000001mrErQAI		16-Captación off resto	18-Captación off resto	Prensa o cupón -	False	No	Captación de socios o donantes	Prensa o cupón	Captación	Frío individuos	05	0050O000009jTv8QAE	0120O000000kNMGQA2	Completed
3	7013Y000001mrLqQAI	Diario de ibiza	16-Captación off resto	18-Captación off resto	Encarte -	False	No	Captación de socios o donantes	Encarte	Captación	Frío individuos	90	0050O000009jTv8QAE	0120O000000kNMGQA2	Completed
4	7013Y000001mrFYQAY		16-Captación off resto	18-Captación off resto	Mailing -	False	No	Captación de socios o donantes	Mailing	Captación	Frío individuos	90	0050O000009jTv8QAE	0120O000000kNMGQA2	Completed

	msf_Objective__c	msf_CloseType__c	id	ActivityDate	msf_Channel__c	msf_Campaign__c	msf_StartDate__c	Status	WhoId
0	Petición económica-Upgrade Socio	Positivo	00T3Y00005x0TjkUAE	2021-03-26	Llamada	7013Y000001n865QAA	2021-03-01	Realizada	0033Y00002unXvsQAE
1	Petición económica-Upgrade Socio	Negativo	00T3Y00005x0UAkUAM	2021-03-31	Llamada	7013Y000001n860QAA	2021-03-01	Realizada	0033Y00002unKClQAM
2	Petición económica-Upgrade Socio	Positivo	00T3Y00005x0UIeUAM	2021-03-23	Llamada	7013Y000001n865QAA	2021-03-01	Realizada	0033Y00002upuiLQAQ
3	Petición económica-Upgrade Socio	Negativo	00T3Y00005x0UIfUAM	2021-03-29	Llamada	7013Y000001n865QAA	2021-03-01	Realizada	0033Y00002upuinQAA
4	Petición económica-Upgrade Socio	Negativo	00T3Y00005x0UJuUAM	2021-03-04	Llamada	7013Y000001n865QAA	2021-03-01	Realizada	0033Y00002v6a4vQAA

	# Tot	% Tot
2014-03-13	2887	0.403663
2020-03-12	2637	0.368708
2018-03-07	2198	0.307326
2018-04-09	1957	0.273629
2023-05-10	1867	0.261045
...	...	...
2002-08-07	1	0.000140
2012-06-23	1	0.000140
2008-03-21	1	0.000140
2007-02-17	1	0.000140
2002-07-04	1	0.000140

Fase 0. Configurar entorno local¶

Fase 1: Carga de datos¶

Carga los datos de la tabla "Contactos"¶

Carga los datos de la tabla "recurring_donation"¶

Carga los datos de la tabla "Modificacion de cuota"¶

Carga los datos de la tabla "Campaña"¶

Carga los datos de la tabla "Tareas"¶

Se va a analizar cada variable por tablas¶

1. Tabla recurring donation¶

2. Tabla modificacion de cuota¶

3. Tabla contactos¶

3.1. Tabla contactos filtrada por Socios¶

3.2. Tabla contactos que tienen o han tenido una donación recurrente¶

4. Tabla Campaña¶

5. Tabla Tareas¶

	id	msf_seniority__c	npo02__best_gift_year__c	msf_entrycampaign__c	leadsource	msf_firstcampaigncolaborationchannel__c	msf_returnedmail__c	msf_isactivedonor__c	msf_isactiverecurringdonor__c	npsp__deceased__c	msf_begindatemsf__c	msf_fechacambiolevelrelacion__c	msf_datefirstdonation__c	msf_datefirstrecurringdonorquota__c	msf_datelastrecurringdonorquota__c	msf_datelastdonation__c	npsp__largest_soft_credit_date__c	npsp__first_soft_credit_date__c	msf_entrydatecurrentrecurringdonor__c	npsp__last_soft_credit_date__c	msf_firstentrydaterecurringdonor__c	npo02__firstclosedate__c	msf_lastrecurringdonationdate__c	npo02__lastclosedate__c	msf_lastdonationunique__c	gender__c	msf_crmexternalid__c	msf_languagepreferer__c	npsp__first_soft_credit_amount__c	npo02__lastoppamount__c	npsp__last_soft_credit_amount__c	msf_annualizedquotachange__c	msf_relationshiplevel__c	msf_ltvcont__c	msf_ltvdesc__c	msf_ltvscore__c	mailingstate	npsp__largest_soft_credit_amount__c	npo02__soft_credit_last_year__c	npo02__soft_credit_this_year__c	npo02__soft_credit_two_years_ago__c	msf_noagradecimientosmi__c	msf_noagradecimientoscp__c	msf_noagradecimientosemail__c	msf_noagradecimientossms__c	msf_noagradecimientostelefono__c	msf_nocaptacionfondoscp__c	msf_nocaptacionfondosemail__c	msf_nocaptacionfondosmi__c	msf_nocaptacionfondossms__c	msf_nocartasplanrelacioncp__c	msf_nocertificadofiscalcp__c	msf_nocertificadofiscalemail__c	msf_nocertificadofiscalmi__c	msf_nocertificadofiscalsms__c	msf_nocesionimagenpromocion__c	msf_nocomunicacionesonetooneemail__c	msf_nocomunicaconesonetoonemi__c	msf_nocomunicacionesonetoonecp__c	msf_nocomunicaconesonetoonesms__c	msf_nocomunicacionesonetoonetelefono__c	msf_noemailingstematicosemail__c	msf_noencuestaestudioconcursoemail__c	msf_noencuestaestudioconcursomi__c	msf_nollamadasbienvenidasencuestasotras__c	msf_noencuestaestudioconcursosms__c	msf_noencuestaestudioconcursotelefono__c	msf_noinformaciontestamentaria__c	msf_noinvitacioneseventosmi__c	msf_noinvitacioneseventoscp__c	msf_noinvitacioneseventosemail__c	msf_noinvitacioneseventossms__c	msf_noinvitacioneseventostelefono__c	msf_nomailingstematicoscp__c	msf_nomemoriacp__c	msf_nomemoriaemail__c	msf_nomemoriami__c	msf_nomemoriasms__c	msf_nomensajesplanrelacionsms__c	msf_nomensajestematicosmi__c	msf_nomensajestematicossms__c	msf_nonewsletteremail__c	msf_noplanrelacionemail__c	msf_nomensajesplanrelacionmi__c	msf_noplanrelaciontelefono__c	msf_norevistacp__c	msf_norevistaemail__c	msf_norevistami__c	msf_norevistasms__c	msf_notelemarketingcaptacionfondos__c	msf_hasfirstdonation__c	msf_hasfirstnewrecurringdonation__c	msf_firstcampaingcolaboration__c	msf_firstannualizedquota__c	msf_program__c	msf_programaherencias__c	msf_programais__c	msf_pressurecomplaint__c	msf_recencydonorcont__c	msf_recencydonordesc__c	msf_recencyrecurringdonorcont__c	msf_recencyrecurringdonordesc__c	msf_recencytotalcont__c	msf_recencytotalscore__c	recordtypeid	msf_contactinformationsummary__c	msf_percomssummary__c	msf_rfvdonor__c	msf_scoringrfvdonor__c	msf_scoringrvtotal__c	msf_mailingsegment__c	msf_legacyconfidentiality__c	msf_membertype__c	npo02__totaloppamount__c	npo02__best_gift_year_total__c	msf_totalfiscaloppamount__c	msf_lastannualizedquota__c	msf_valuetotalcont__c	msf_valuetotaldesc__c	msf_valuedonorcont__c	msf_valuedonordesc__c	msf_lastyeardonorvalue__c	msf_maximumdonorvalue__c	msf_averagedonorvalue__c	msf_lifetime__c	msf_commitment__c
0	0033Y00002uqxIJQAY	19.0	2005	7013Y000001mrCzQAI	Otro	Otro	False	Exdonante	Nunca	False	2005-02-28	2020-03-28	2005-01-07	None	None	2005-01-07	None	None	None	None	None	2005-01-07	None	None	None	Male	10165165	ESP	NaN	50.0	NaN	NaN	a0l0O00000k727RQAQ	50.0	Muy bajo 50 - 100	2.0	PONTEVEDRA	NaN	NaN	NaN	NaN	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	False	7013Y000001mrCzQAI	NaN	Reactivación/conversión EXDonantes MASS	False	False	False	6756.0	+10años	NaN	Nunca	6756.0	1.0	0120O000000LBoCQAW	Sólo correo	Todo	112	1.5	1.8	DON MUY ANTIGUOS	False	Exdonante	50.0	50.0	50.0	NaN	50.0	Muy bajo	50.0	Muy bajo	NaN	50.0	50.0	0.0	0.0
1	0033Y00002uqxIRQAY	19.0	2005	7013Y000001mrCzQAI	Otro	Otro	False	Exdonante	Nunca	False	2005-02-28	2020-03-28	2005-01-07	None	None	2005-01-07	None	None	None	None	None	2005-01-07	None	None	None	Female	10165173	ESP	NaN	30.0	NaN	NaN	a0l0O00000k727RQAQ	30.0	Muy bajo 0,10 - 50	1.0	MADRID	NaN	NaN	NaN	NaN	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	False	7013Y000001mrCzQAI	NaN	Reactivación/conversión EXDonantes MASS	False	False	False	6756.0	+10años	NaN	Nunca	6756.0	1.0	0120O000000LBoCQAW	Sólo correo	Todo	111	1.0	1.0	DON MUY ANTIGUOS	False	Exdonante	30.0	30.0	30.0	NaN	30.0	Muy bajo	30.0	Muy bajo	NaN	30.0	30.0	0.0	0.0
2	0033Y00002uqxIZQAY	19.0	2005	7013Y000001mrCzQAI	Otro	Otro	False	Exdonante	Nunca	False	2005-02-28	2020-03-28	2005-01-05	None	None	2009-11-20	None	None	None	None	None	2005-01-05	None	None	None	Other	10165185	ESP	NaN	70.0	NaN	NaN	a0l0O00000k727RQAQ	3320.0	Muy Alto 3.000 - 10.000	8.0	SEVILLA	NaN	NaN	NaN	NaN	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	False	7013Y000001mrCzQAI	NaN	Empresas y Colectivos Mass	False	False	False	4978.0	+10años	NaN	Nunca	4978.0	1.0	0120O000000LBoDQAW	Teléfono+Correo	Todo	125	3.3	4.2	EMPRESAS NO SOCIAS	False	Exdonante	3320.0	3050.0	3320.0	NaN	270.0	Medio	270.0	Medio	NaN	3000.0	830.0	4.0	0.0
3	0033Y00002uqxIhQAI	17.0	2010	7013Y000001mrCzQAI	Otro	Otro	False	Exdonante	Nunca	False	2005-02-28	2020-03-28	2007-01-03	None	None	2012-01-20	None	None	None	None	None	2007-01-03	None	None	None	Male	10165201	CAT	NaN	120.0	NaN	NaN	a0l0O00000k727RQAQ	720.0	Alto 500 - 1.000	6.0	LLEIDA	NaN	NaN	NaN	NaN	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	False	True	False	7013Y000001mrCzQAI	NaN	Reactivación/conversión EXDonantes MASS	False	False	False	4187.0	+10años	NaN	Nunca	4187.0	1.0	0120O000000LBoCQAW	Sólo correo	Todo	114	2.5	3.4	DON MUY ANTIGUOS	False	Exdonante	720.0	240.0	720.0	NaN	120.0	Bajo	120.0	Bajo	NaN	120.0	120.0	5.0	1.0
4	0033Y00002uqxIpQAI	18.0	2005	7013Y000001mrFFQAY	Otro		False	Exdonante	Nunca	False	2005-03-01	2020-03-28	2005-03-01	None	None	2005-03-01	None	None	None	None	None	2005-03-01	None	None	None	Other	10165216	ESP	NaN	100.0	NaN	NaN	a0l0O00000k727RQAQ	100.0	Muy bajo 100 - 120	3.0		NaN	NaN	NaN	NaN	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	True	False	7013Y000001mrFFQAY	NaN	Reactivación/conversión EXDonantes MASS	False	False	False	6703.0	+10años	NaN	Nunca	6703.0	1.0	0120O000000LBoCQAW	No data	Nada	113	2.0	2.6	DON MUY ANTIGUOS	False	Exdonante	100.0	100.0	100.0	NaN	100.0	Muy bajo	100.0	Muy bajo	NaN	100.0	100.0	0.0	0.0

	# Tot	% Tot
120.00	285404	23.819257
60.00	129853	10.837276
180.00	122956	10.261666
240.00	76435	6.379115
144.00	57831	4.826462
72.00	48674	4.062236
36.00	30804	2.570841
360.00	28630	2.389404
300.00	26549	2.215727
96.00	21951	1.831987
72.12	21267	1.774902
0.00	19245	1.606150
84.00	16695	1.393332
100.00	15786	1.317469
168.00	13694	1.142874
40.00	12404	1.035213
20.00	11682	0.974957
50.00	11473	0.957514
80.00	9212	0.768815
600.00	8751	0.730341
30.00	8515	0.710645
200.00	8126	0.678180
10.00	8036	0.670669
48.00	7544	0.629607
204.00	7497	0.625685
51.96	6882	0.574358
480.00	6742	0.562674
216.00	6595	0.550406
12.00	6240	0.520778
150.00	6048	0.504754
132.00	5844	0.487729
60.10	5371	0.448253
108.00	5310	0.443162
192.00	5175	0.431895
156.00	5067	0.422882
420.00	4893	0.408360
30.05	4827	0.402852
120.20	4787	0.399514
15.00	4202	0.350691
312.00	4182	0.349021
216.36	4000	0.333832
144.24	3959	0.330410
264.00	3940	0.328825
720.00	3649	0.304538
360.60	3442	0.287263
228.00	3352	0.279751
160.00	3125	0.260806
90.00	2964	0.247370
5.00	2670	0.222833
276.00	2531	0.211232
24.00	2191	0.182857
25.00	2143	0.178851
1200.00	2127	0.177515
140.00	2122	0.177098
70.00	2020	0.168585
18.03	2010	0.167751
400.00	1904	0.158904
3.00	1601	0.133616
384.00	1577	0.131613
540.00	1559	0.130111
240.40	1520	0.126856
288.00	1444	0.120513
75.00	1436	0.119846
250.00	1227	0.102403
90.15	1164	0.097145
336.00	1159	0.096728
252.00	1142	0.095309
324.00	1127	0.094057
260.00	946	0.078951
24.04	913	0.076197
48.08	883	0.073693
721.20	878	0.073276
6.00	835	0.069687
396.00	768	0.064096
500.00	746	0.062260
130.00	711	0.059339
110.00	678	0.056585
280.00	652	0.054415
18.00	616	0.051410
125.00	610	0.050909
840.00	609	0.050826
35.00	608	0.050742
220.00	598	0.049908
660.00	575	0.047988
45.00	565	0.047154
320.00	559	0.046653
150.25	500	0.041729
34.86	499	0.041646
36.06	493	0.041145
36.12	493	0.041145
32.00	478	0.039893
432.00	450	0.037556
900.00	428	0.035720
960.00	420	0.035052
108.24	415	0.034635
139.44	413	0.034468
65.00	409	0.034134
88.00	404	0.033717
28.00	402	0.033550
408.00	399	0.033300
1000.00	387	0.032298
170.00	385	0.032131
52.00	373	0.031130
42.00	356	0.029711
104.04	351	0.029294
210.00	333	0.027792
8.00	328	0.027374
780.00	328	0.027374
350.00	326	0.027207
173.04	316	0.026373
55.00	312	0.026039
180.36	309	0.025789
624.00	299	0.024954
444.00	296	0.024704
1080.00	294	0.024537
372.00	291	0.024286
175.00	287	0.023952
1800.00	287	0.023952
504.00	287	0.023952
800.00	279	0.023285
288.48	276	0.023034
12.02	275	0.022951
56.00	271	0.022617
14.00	262	0.021866
6.01	255	0.021282
22.00	252	0.021031
16.00	246	0.020531
85.00	243	0.020280
165.00	242	0.020197
348.00	234	0.019529
230.00	224	0.018695
456.00	220	0.018361
112.00	210	0.017526
2400.00	210	0.017526
520.00	209	0.017443
57.68	202	0.016859
180.30	201	0.016775
418.32	197	0.016441
72.24	185	0.015440
103.92	184	0.015356
92.00	182	0.015189
96.16	179	0.014939
1440.00	178	0.014856
9.00	177	0.014772
68.00	170	0.014188
7.00	168	0.014021
54.00	162	0.013520
36.08	159	0.013270
17.00	157	0.013103
152.00	157	0.013103
105.00	155	0.012936
4.00	153	0.012769
93.16	151	0.012602
340.00	143	0.011934
64.00	142	0.011851
135.00	141	0.011768
104.00	140	0.011684
516.00	139	0.011601
528.00	137	0.011434
128.00	135	0.011267
440.00	131	0.010933
225.00	127	0.010599
1081.80	126	0.010516
864.00	123	0.010265
1500.00	122	0.010182
552.00	122	0.010182
190.00	120	0.010015
115.00	118	0.009848
300.51	115	0.009598
224.00	115	0.009598
450.00	114	0.009514
62.00	113	0.009431
124.00	112	0.009347
432.72	108	0.009013
44.00	105	0.008763
148.00	103	0.008596
700.00	102	0.008513
270.00	101	0.008429
38.00	101	0.008429
66.00	98	0.008179
346.20	97	0.008095
492.00	93	0.007762
232.00	92	0.007678
21.00	92	0.007678
95.00	91	0.007595
11.00	91	0.007595
115.40	90	0.007511
1020.00	89	0.007428
468.00	88	0.007344
26.00	85	0.007094
380.00	84	0.007010
3600.00	83	0.006927
28.85	82	0.006844
108.12	80	0.006677
460.00	80	0.006677
76.00	80	0.006677
60.12	79	0.006593
576.00	77	0.006426
601.00	77	0.006426
34.85	77	0.006426
184.00	74	0.006176
42.07	72	0.006009
310.00	71	0.005926
192.32	70	0.005842
865.44	70	0.005842
155.00	69	0.005759
84.14	68	0.005675
480.80	68	0.005675
300.50	68	0.005675
136.00	67	0.005592
180.24	66	0.005508
330.00	66	0.005508
14.42	65	0.005425
12000.00	65	0.005425
2000.00	64	0.005341
164.00	63	0.005258
74.00	62	0.005174
13.00	61	0.005091
275.00	61	0.005091
390.00	58	0.004841
1320.00	58	0.004841
601.01	57	0.004757
139.40	57	0.004757
34.00	57	0.004757
54.09	56	0.004674
78.00	55	0.004590
27.00	53	0.004423
3000.00	52	0.004340
33.00	51	0.004256
57.70	50	0.004173
145.00	50	0.004173
576.96	50	0.004173
560.00	50	0.004173
126.00	49	0.004089
1442.40	48	0.004006
102.00	48	0.004006
640.00	47	0.003923
550.00	46	0.003839
564.00	43	0.003589
372.64	43	0.003589
248.00	43	0.003589
168.28	43	0.003589
212.00	42	0.003505
208.00	42	0.003505
63.00	42	0.003505
116.00	42	0.003505
648.00	42	0.003505
744.00	41	0.003422
12.04	40	0.003338
185.00	40	0.003338
82.00	39	0.003255
1803.00	39	0.003255
6000.00	38	0.003171
93.15	37	0.003088
620.00	37	0.003088
172.00	37	0.003088
162.00	37	0.003088
504.84	37	0.003088
361.44	36	0.003004
39.00	35	0.002921
364.00	35	0.002921
17.32	35	0.002921
290.00	34	0.002838
108.18	34	0.002838
84.60	32	0.002671
23.00	32	0.002671
75.96	32	0.002671
37.00	32	0.002671
188.00	31	0.002587
612.00	31	0.002587
1560.00	30	0.002504
792.00	30	0.002504
365.00	30	0.002504
196.00	30	0.002504
176.00	30	0.002504
636.00	29	0.002420
63.96	29	0.002420
375.00	28	0.002337
98.00	27	0.002253
1008.00	27	0.002253
325.00	27	0.002253
370.00	27	0.002253
650.00	26	0.002170
236.00	26	0.002170
46.00	25	0.002086
692.40	24	0.002003
240.41	24	0.002003
180.32	23	0.001920
36.04	23	0.001920
78.13	22	0.001836
67.00	22	0.001836
252.48	22	0.001836
392.00	21	0.001753
750.00	21	0.001753
936.00	21	0.001753
94.00	21	0.001753
1600.00	20	0.001669
272.00	20	0.001669
235.00	20	0.001669
215.00	20	0.001669
120.48	20	0.001669
1117.92	20	0.001669
174.00	19	0.001586
109.44	19	0.001586
60.24	19	0.001586
1140.00	19	0.001586
3606.12	19	0.001586
77.00	19	0.001586
2160.00	18	0.001502
9.02	18	0.001502
425.00	17	0.001419
108.20	17	0.001419
31.00	17	0.001419
60.08	17	0.001419
86.00	17	0.001419
15.03	17	0.001419
672.00	17	0.001419
3.01	17	0.001419
8.66	16	0.001335
418.20	16	0.001335
21.60	16	0.001335
684.00	16	0.001335
180.28	16	0.001335
760.00	15	0.001252
230.80	15	0.001252
51.00	15	0.001252
28.84	15	0.001252
205.00	15	0.001252
1680.00	14	0.001168
86.52	14	0.001168
680.00	14	0.001168
649.08	14	0.001168
7200.00	14	0.001168
4.33	14	0.001168
73.00	14	0.001168
182.40	14	0.001168
244.00	14	0.001168
1260.00	14	0.001168
1152.00	14	0.001168
5196.00	13	0.001085
3900.00	13	0.001085
87.00	13	0.001085
53.00	13	0.001085
4800.00	13	0.001085
114.00	13	0.001085
138.00	13	0.001085
69.72	13	0.001085
61.00	13	0.001085
4000.00	13	0.001085
1202.04	12	0.001001
732.00	12	0.001001
84.16	12	0.001001
195.00	12	0.001001
268.00	12	0.001001
2163.60	12	0.001001
58.00	12	0.001001
360.61	12	0.001001
210.35	12	0.001001
120.12	12	0.001001
756.00	12	0.001001
90.12	12	0.001001
7.20	12	0.001001
304.00	12	0.001001
30.12	11	0.000918
696.00	11	0.000918
122.00	11	0.000918
768.00	11	0.000918
292.00	10	0.000835
284.00	10	0.000835
198.00	10	0.000835
106.00	10	0.000835
1400.00	10	0.000835
1920.00	10	0.000835
410.00	10	0.000835
57.00	10	0.000835
580.00	10	0.000835
19.00	10	0.000835
344.00	10	0.000835
84.12	10	0.000835
316.00	10	0.000835
134.00	10	0.000835
255.00	9	0.000751
804.00	9	0.000751
81.00	9	0.000751
2100.00	9	0.000751
2040.00	9	0.000751
296.00	9	0.000751
66.11	9	0.000751
470.00	9	0.000751
7.50	9	0.000751
101.00	9	0.000751
142.00	9	0.000751
880.00	9	0.000751
1032.00	9	0.000751
1100.00	8	0.000668
47.00	8	0.000668
1380.00	8	0.000668
171.96	8	0.000668
29.00	8	0.000668
83.00	8	0.000668
202.00	8	0.000668
222.00	8	0.000668
115.36	8	0.000668
90.36	8	0.000668
7.21	8	0.000668
41.00	8	0.000668
888.00	7	0.000584
372.60	7	0.000584
336.56	7	0.000584
816.00	7	0.000584
5000.00	7	0.000584
50.40	7	0.000584
93.00	7	0.000584
123.00	7	0.000584
256.00	7	0.000584
430.00	7	0.000584
43.32	6	0.000501
154.00	6	0.000501
108.16	6	0.000501
28.80	6	0.000501
308.00	6	0.000501
1212.00	6	0.000501
850.00	6	0.000501
57.72	6	0.000501
820.00	6	0.000501
96.12	6	0.000501
182.00	6	0.000501
14.40	6	0.000501
332.00	6	0.000501
984.00	6	0.000501
50.52	6	0.000501
376.00	6	0.000501
920.00	6	0.000501
285.00	6	0.000501
588.00	6	0.000501
328.00	6	0.000501
43.00	6	0.000501
57.69	6	0.000501
852.00	5	0.000417
7212.12	5	0.000417
540.96	5	0.000417
305.00	5	0.000417
4200.00	5	0.000417
91.00	5	0.000417
14.44	5	0.000417
286.00	5	0.000417
1009.68	5	0.000417
721.22	5	0.000417
79.32	5	0.000417
99.96	5	0.000417
99.00	5	0.000417
1120.00	5	0.000417
1040.00	5	0.000417
97.00	5	0.000417
448.00	5	0.000417
368.00	5	0.000417
132.20	5	0.000417
40.05	5	0.000417
722.88	5	0.000417
416.00	5	0.000417
52.89	5	0.000417
151.00	5	0.000417
186.00	5	0.000417
252.36	5	0.000417
1620.00	5	0.000417
841.40	4	0.000334
18.04	4	0.000334
601.02	4	0.000334
30.06	4	0.000334
828.00	4	0.000334
876.00	4	0.000334
475.00	4	0.000334
510.00	4	0.000334
937.56	4	0.000334
59.00	4	0.000334
924.00	4	0.000334
149.00	4	0.000334
0.72	4	0.000334
300.52	4	0.000334
1.00	4	0.000334
1202.00	4	0.000334
1250.00	4	0.000334
450.75	4	0.000334
30.04	4	0.000334
49.00	4	0.000334
388.00	4	0.000334
118.00	4	0.000334
194.00	4	0.000334
740.00	4	0.000334
625.00	4	0.000334
1128.00	4	0.000334
240.36	4	0.000334
100.15	4	0.000334
346.08	4	0.000334
2884.92	4	0.000334
352.00	4	0.000334
45.07	4	0.000334
1464.00	4	0.000334
333.00	4	0.000334
424.00	4	0.000334
912.00	4	0.000334
345.00	4	0.000334
12.50	4	0.000334
245.00	4	0.000334
161.00	4	0.000334
201.00	4	0.000334
1298.16	3	0.000250
315.00	3	0.000250
60.01	3	0.000250
198.33	3	0.000250
93.72	3	0.000250
265.00	3	0.000250
306.00	3	0.000250
1300.00	3	0.000250
109.00	3	0.000250
396.60	3	0.000250
1081.84	3	0.000250
70.10	3	0.000250
35.05	3	0.000250
274.00	3	0.000250
488.00	3	0.000250
1860.00	3	0.000250
234.00	3	0.000250
1296.00	3	0.000250
1284.00	3	0.000250
708.00	3	0.000250
1355.88	3	0.000250
1224.00	3	0.000250
1730.88	3	0.000250
3606.00	3	0.000250
996.00	3	0.000250
262.00	3	0.000250
113.00	3	0.000250
901.52	3	0.000250
1980.00	3	0.000250
187.00	3	0.000250
4327.32	3	0.000250
103.00	3	0.000250
725.00	3	0.000250
43.20	3	0.000250
166.00	3	0.000250
71.00	3	0.000250
45.08	3	0.000250
18000.00	3	0.000250
21.64	3	0.000250
240.96	3	0.000250
2880.00	3	0.000250
8000.00	3	0.000250
72000.00	3	0.000250
436.00	3	0.000250
89.00	3	0.000250
111.00	3	0.000250
961.64	3	0.000250
324.60	3	0.000250
52.02	3	0.000250
54.12	3	0.000250
415.00	3	0.000250
137.00	3	0.000250
9.01	3	0.000250
7212.00	3	0.000250
87.96	3	0.000250
121.00	3	0.000250
64.92	3	0.000250
24000.00	3	0.000250
480.81	3	0.000250
2404.04	3	0.000250
186.32	3	0.000250
159.96	3	0.000250
2.00	3	0.000250
4320.00	2	0.000167
420.60	2	0.000167
39.96	2	0.000167
793.32	2	0.000167
3200.00	2	0.000167
294.00	2	0.000167
346.00	2	0.000167
99.60	2	0.000167
25.98	2	0.000167
36.66	2	0.000167
79.00	2	0.000167
446.00	2	0.000167
1.20	2	0.000167
94.96	2	0.000167
93.24	2	0.000167
540.60	2	0.000167
75.72	2	0.000167
2700.00	2	0.000167
43.27	2	0.000167
335.00	2	0.000167
1204.00	2	0.000167
8.67	2	0.000167
26.44	2	0.000167
525.00	2	0.000167
173.00	2	0.000167
530.00	2	0.000167
65.10	2	0.000167
122.64	2	0.000167
860.00	2	0.000167
2500.00	2	0.000167
356.00	2	0.000167
42.05	2	0.000167
59.08	2	0.000167
412.00	2	0.000167
2280.00	2	0.000167
120.01	2	0.000167
36000.00	2	0.000167
69.00	2	0.000167
240.60	2	0.000167
79.92	2	0.000167
223.92	2	0.000167
1104.00	2	0.000167
144.48	2	0.000167
153.00	2	0.000167
177.00	2	0.000167
157.00	2	0.000167
167.00	2	0.000167
189.00	2	0.000167
570.00	2	0.000167
127.00	2	0.000167
198.36	2	0.000167
240.12	2	0.000167
148.24	2	0.000167
5400.00	2	0.000167
60.05	2	0.000167
146.00	2	0.000167
211.56	2	0.000167
100.01	2	0.000167
123.96	2	0.000167
187.20	2	0.000167
158.00	2	0.000167
223.20	2	0.000167
55.92	2	0.000167
295.00	2	0.000167
458.00	2	0.000167
25.20	2	0.000167
585.00	2	0.000167
366.00	2	0.000167
51.60	2	0.000167
2520.00	2	0.000167
2340.00	2	0.000167
139.00	2	0.000167
2200.00	2	0.000167
1360.00	2	0.000167
961.60	2	0.000167
138.23	2	0.000167
1596.00	2	0.000167
1.80	2	0.000167
200.04	2	0.000167
237.96	2	0.000167
27.05	2	0.000167
282.00	2	0.000167
1202.02	2	0.000167
249.96	2	0.000167
2640.00	2	0.000167
420.71	2	0.000167
30.50	2	0.000167
90.16	2	0.000167
613.08	2	0.000167
159.40	2	0.000167
144.12	2	0.000167
1056.00	2	0.000167
126.21	2	0.000167
1803.04	2	0.000167
92.12	2	0.000167
810.00	2	0.000167
6.02	2	0.000167
302.00	2	0.000167
2524.20	2	0.000167
74.52	2	0.000167
77.10	1	0.000083
2760.00	1	0.000083
208.08	1	0.000083
80.40	1	0.000083
6600.00	1	0.000083
669.60	1	0.000083
40.06	1	0.000083
160.08	1	0.000083
2328.00	1	0.000083
558.00	1	0.000083
156.24	1	0.000083
216.72	1	0.000083
484.00	1	0.000083
382.00	1	0.000083
374.00	1	0.000083
343.92	1	0.000083
176.24	1	0.000083
139.36	1	0.000083
464.00	1	0.000083
630.00	1	0.000083
32.05	1	0.000083
1512.00	1	0.000083
115.32	1	0.000083
214.00	1	0.000083
385.00	1	0.000083
152.24	1	0.000083
10.50	1	0.000083
112.12	1	0.000083
289.00	1	0.000083
300000.00	1	0.000083
164.24	1	0.000083
140.20	1	0.000083
100.10	1	0.000083
264.24	1	0.000083
238.80	1	0.000083
74.40	1	0.000083
14.02	1	0.000083
2016.00	1	0.000083
79.20	1	0.000083
211.52	1	0.000083
278.00	1	0.000083
252.40	1	0.000083
720.80	1	0.000083
102.17	1	0.000083
128.20	1	0.000083
19.50	1	0.000083
199.20	1	0.000083
842.88	1	0.000083
4080.00	1	0.000083
224.24	1	0.000083
532.00	1	0.000083
1752.00	1	0.000083
2800.00	1	0.000083
245.16	1	0.000083
117.00	1	0.000083
3020.00	1	0.000083
824.56	1	0.000083
258.00	1	0.000083
168.24	1	0.000083
364.80	1	0.000083
243.96	1	0.000083
402.00	1	0.000083
1992.00	1	0.000083
90.14	1	0.000083
206.00	1	0.000083
306.51	1	0.000083
59.88	1	0.000083
35.88	1	0.000083
211.00	1	0.000083
253.00	1	0.000083
300.48	1	0.000083
1280.00	1	0.000083
1092.00	1	0.000083
181.00	1	0.000083
468.12	1	0.000083
4500.00	1	0.000083
66.10	1	0.000083
968.00	1	0.000083
973.20	1	0.000083
280.40	1	0.000083
1442.43	1	0.000083
428.00	1	0.000083
536.00	1	0.000083
318.00	1	0.000083
544.00	1	0.000083
135.96	1	0.000083
126.84	1	0.000083
218.00	1	0.000083
160.25	1	0.000083
338.00	1	0.000083
322.00	1	0.000083
63.60	1	0.000083
1160.00	1	0.000083
1116.00	1	0.000083
1117.80	1	0.000083
505.00	1	0.000083
144.20	1	0.000083
972.00	1	0.000083
1044.00	1	0.000083
38.40	1	0.000083
812.00	1	0.000083
1750.00	1	0.000083
212.76	1	0.000083
901.20	1	0.000083
160.20	1	0.000083
210.32	1	0.000083
323.00	1	0.000083
641.00	1	0.000083
1356.00	1	0.000083
3800.00	1	0.000083
36.05	1	0.000083
798.00	1	0.000083
302.88	1	0.000083
320.50	1	0.000083
260.40	1	0.000083
728.00	1	0.000083
164.40	1	0.000083
451.00	1	0.000083
273.00	1	0.000083
572.00	1	0.000083
110.40	1	0.000083
126.15	1	0.000083
2884.80	1	0.000083
692.28	1	0.000083
311.00	1	0.000083
188.04	1	0.000083
281.00	1	0.000083
1584.00	1	0.000083
100.92	1	0.000083
382.08	1	0.000083
76.12	1	0.000083
60.15	1	0.000083
480.24	1	0.000083
1502.40	1	0.000083
1908.00	1	0.000083
480.60	1	0.000083
9840.00	1	0.000083
3360.00	1	0.000083
40.20	1	0.000083
133.32	1	0.000083
592.00	1	0.000083
207.00	1	0.000083
741.00	1	0.000083
3300.00	1	0.000083
70.01	1	0.000083
247.68	1	0.000083
1644.00	1	0.000083
55.56	1	0.000083
169.00	1	0.000083
120.10	1	0.000083
199.00	1	0.000083
3180.00	1	0.000083
980.00	1	0.000083
158.64	1	0.000083
1803.03	1	0.000083
608.00	1	0.000083
340.08	1	0.000083
438.00	1	0.000083
466.64	1	0.000083
901.00	1	0.000083
107.00	1	0.000083
17.34	1	0.000083
565.00	1	0.000083
139.92	1	0.000083
30.40	1	0.000083
147.00	1	0.000083
675.00	1	0.000083
409.44	1	0.000083
238.00	1	0.000083
8400.00	1	0.000083
90.75	1	0.000083
54.08	1	0.000083
1226.04	1	0.000083
66.66	1	0.000083
468.84	1	0.000083
51.09	1	0.000083
54.93	1	0.000083
9.32	1	0.000083
245.20	1	0.000083
143.04	1	0.000083
9.60	1	0.000083
54.60	1	0.000083
18030.36	1	0.000083
70.12	1	0.000083
165.84	1	0.000083
1153.92	1	0.000083
69.96	1	0.000083
42.08	1	0.000083
3137.28	1	0.000083
123.80	1	0.000083
219.36	1	0.000083
1478.52	1	0.000083
75.13	1	0.000083
197.52	1	0.000083
162.24	1	0.000083
99.12	1	0.000083
1586.64	1	0.000083
512.08	1	0.000083
8654.64	1	0.000083
6010.12	1	0.000083
594.96	1	0.000083
175.32	1	0.000083
105.24	1	0.000083
2352.00	1	0.000083
451.96	1	0.000083
201.96	1	0.000083
450.76	1	0.000083
336.36	1	0.000083
183.48	1	0.000083
129.84	1	0.000083
230.76	1	0.000083
634.68	1	0.000083
46.92	1	0.000083
86.40	1	0.000083
447.12	1	0.000083
1442.44	1	0.000083
270.46	1	0.000083
31.24	1	0.000083
7.22	1	0.000083
259.48	1	0.000083
80.16	1	0.000083
3606.24	1	0.000083
29.99	1	0.000083
468.72	1	0.000083
156.28	1	0.000083
16.84	1	0.000083
2957.04	1	0.000083
115.44	1	0.000083
1139.52	1	0.000083
73.20	1	0.000083
492.84	1	0.000083
100.96	1	0.000083
175.25	1	0.000083
150.24	1	0.000083
1033.76	1	0.000083
690.00	1	0.000083
36.48	1	0.000083
7224.00	1	0.000083
0.60	1	0.000083
1201.80	1	0.000083
183.00	1	0.000083
24156.00	1	0.000083
120.36	1	0.000083
999.96	1	0.000083
36.07	1	0.000083
2199.72	1	0.000083
151.44	1	0.000083
292.80	1	0.000083
242.50	1	0.000083
1002.00	1	0.000083
405.96	1	0.000083
34.64	1	0.000083
7260.00	1	0.000083
24.02	1	0.000083
295.68	1	0.000083
60.60	1	0.000083
300.84	1	0.000083
125.34	1	0.000083
217.08	1	0.000083
128.02	1	0.000083
144.60	1	0.000083
2253.80	1	0.000083
291.96	1	0.000083
132.22	1	0.000083
7596.00	1	0.000083
193.00	1	0.000083
264.44	1	0.000083
5071.76	1	0.000083
405.00	1	0.000083
277.00	1	0.000083
4.80	1	0.000083
201.60	1	0.000083
2004.00	1	0.000083
362.00	1	0.000083
138.15	1	0.000083
1536.00	1	0.000083
18.06	1	0.000083
1872.00	1	0.000083
120000.00	1	0.000083
25.60	1	0.000083
64.80	1	0.000083
44.84	1	0.000083
7992.00	1	0.000083
2184.00	1	0.000083
241.00	1	0.000083
3480.00	1	0.000083
171.00	1	0.000083
280.36	1	0.000083
108.36	1	0.000083
67.20	1	0.000083
86.56	1	0.000083
145.20	1	0.000083
1.50	1	0.000083
120.08	1	0.000083
102.72	1	0.000083
632.00	1	0.000083
131.00	1	0.000083
100.20	1	0.000083
388.92	1	0.000083
36060.00	1	0.000083
20580.00	1	0.000083
209.00	1	0.000083
384.64	1	0.000083
59.02	1	0.000083
3612.00	1	0.000083
360.24	1	0.000083
38.85	1	0.000083
9600.00	1	0.000083
10404.00	1	0.000083
515.28	1	0.000083
119.88	1	0.000083
519.60	1	0.000083
3096.00	1	0.000083
1812.00	1	0.000083
1084.32	1	0.000083
24456.00	1	0.000083
9000.00	1	0.000083
33.60	1	0.000083
10800.00	1	0.000083
25140.00	1	0.000083
89.25	1	0.000083
83.33	1	0.000083
90.96	1	0.000083
2064.00	1	0.000083
143.00	1	0.000083
71.96	1	0.000083
209.16	1	0.000083
796.00	1	0.000083
590.00	1	0.000083
225.35	1	0.000083
556.00	1	0.000083
65.86	1	0.000083
550.75	1	0.000083
360.12	1	0.000083
59.50	1	0.000083
90.10	1	0.000083
43.28	1	0.000083
50.48	1	0.000083
824.00	1	0.000083
64.90	1	0.000083
930.00	1	0.000083
8166.00	1	0.000083
150.15	1	0.000083
623.52	1	0.000083
10080.00	1	0.000083
242.00	1	0.000083
1524.00	1	0.000083
189.36	1	0.000083
16.80	1	0.000083
76.20	1	0.000083
558.96	1	0.000083
333.60	1	0.000083
710.00	1	0.000083
79992.00	1	0.000083
193.92	1	0.000083
2282.40	1	0.000083
15.52	1	0.000083
594.48	1	0.000083
105.60	1	0.000083
10.80	1	0.000083
108.96	1	0.000083
330.56	1	0.000083
166.56	1	0.000083
80.04	1	0.000083
9.24	1	0.000083
30.03	1	0.000083
92.32	1	0.000083
1692.00	1	0.000083
219.60	1	0.000083
95.05	1	0.000083
376.80	1	0.000083
399.60	1	0.000083
112.99	1	0.000083
1211.64	1	0.000083
15308.88	1	0.000083
72.20	1	0.000083
52.88	1	0.000083
5.87	1	0.000083
30050.60	1	0.000083
386.00	1	0.000083
66660.00	1	0.000083
2000000.00	1	0.000083
333.76	1	0.000083
141.00	1	0.000083
21636.00	1	0.000083
72.30	1	0.000083
288.49	1	0.000083
1060.00	1	0.000083
1728.00	1	0.000083
360.72	1	0.000083
462.00	1	0.000083
9015.24	1	0.000083
15000.00	1	0.000083
1146.72	1	0.000083
300.01	1	0.000083
1502.53	1	0.000083
1476.00	1	0.000083
36420.00	1	0.000083
624.24	1	0.000083
14400.00	1	0.000083
411.96	1	0.000083
195.96	1	0.000083
252.43	1	0.000083
143.64	1	0.000083
1150.00	1	0.000083
26.36	1	0.000083
13.82	1	0.000083
36.80	1	0.000083
68.43	1	0.000083
132.12	1	0.000083

	# Tot	% Tot
	483501	40.352043
Impago aportaciones	285429	23.821343
Unpaid	102935	8.590753
Baja económica argumentada	66594	5.557804
3 Obs/Tcs Devueltas	66286	5.532099
Económico	39385	3.286995
N/S	35770	2.985294
Razones personales	34347	2.866533
Voluntary withdrawal	16894	1.409940
Deceased	15218	1.270064
Otras razones	8112	0.677012
2 OBS devueltas es la primera de su historia	5346	0.446167
Baja argumentada	4854	0.405105
Baja por cambio de titular	3394	0.283257
Cambio de domicilio	3241	0.270487
Colabora con otra ONG	3065	0.255799
Baja e llamada de Bienvenida	2933	0.244782
Baja por impago orden Socio	2832	0.236353
1 OBS/TCS devueltas con otras aportaciones impagadas en los últimos 2 años	2711	0.226255
Baja en llamada de gestión de devoluciones	1827	0.152478
Tarjeta crédito caducada	1799	0.150141
Baja proactiva Coronavirus	1711	0.142797
Decepcionado	1402	0.117008
Baja en llamada de aumentos	1328	0.110832
Errores administrativos MSF	1277	0.106576
Incidencias Web	906	0.075613
Cierre/Cambio cuenta bancaria	767	0.064012
Pruebas	650	0.054248
Impago Coronavirus	464	0.038725
LOPD	449	0.037473
Desacuerdo política intervención	439	0.036638
Captador F2F-TLMK me informó mal	341	0.028459
Baja socio temporal	323	0.026957
Error del proveedor	307	0.025622
Desacuerdo aborto	252	0.021031
Duplicado	238	0.019863
Desacuerdo política captacion de fondos	229	0.019112
Baja reactiva Coronavirus	214	0.017860
Desacuerdo operaciones mediterraneo	142	0.011851
2 TCS devueltas	116	0.009681
Desacuerdo gestión financiera	85	0.007094
Desacuerdo destino ayuda	59	0.004924
Desacuerdo colaboración con Empresas	26	0.002170
LORTAD	9	0.000751

	# Tot	% Tot
7013Y000001mqtMQAQ	95523	7.972162
7013Y000001mqtnQAA	47771	3.986874
7013Y000001vXGdQAM	30352	2.533118
7013Y000001mrBLQAY	30029	2.506161
7013Y000001mrCzQAI	28901	2.412021
...	...	...
7013Y000001mrkDQAQ	1	0.000083
7013Y000001mrGNQAY	1	0.000083
7013Y000001mrO8QAI	1	0.000083
7013Y000001Mc2FQAS	1	0.000083
7013Y000001mr7eQAA	1	0.000083

	# Tot	% Tot
Telemarketing	509871	42.552831
Persona a persona	255845	21.352321
Cupón	84961	7.090678
Otro	71618	5.977097
Personal con tablet	64333	5.369106
Web MSF	63379	5.289487
Teléfono campaña	48761	4.069497
Teléfono SAS	21594	1.802193
Web campaña	20290	1.693364
	19170	1.599891
Entidad financiera	8710	0.726919
Email a SAS	8083	0.674591
Web terceros	7062	0.589381
Teléfono web	7001	0.584290
Correo postal sin cupón	4185	0.349272
Web MSF Mi perfil	1057	0.088215
Cloud page	885	0.073860
Eventos	763	0.063678
Teléfono Officers	389	0.032465
Email a Empresas	182	0.015189
Email a officers Mid Donors	22	0.001836
SMS	15	0.001252
Email a One to one	8	0.000668
n/a	7	0.000584
Email a Bodas	6	0.000501
Teléfono Herencias y Legados	5	0.000417
Email a Iniciativas Solidarias	2	0.000167
Email Director/a General	2	0.000167
Redes Sociales	1	0.000083

	# Tot	% Tot
Persona a persona	374964	31.293758
Telemarketing	289168	24.133393
Otro	136249	11.371074
Cupón	133197	11.116360
Web MSF	76674	6.399061
Personal con tablet	74059	6.180819
Teléfono campaña	61869	5.163465
Web campaña	14210	1.185939
Web terceros	12698	1.059750
Teléfono SAS	6595	0.550406
Teléfono web	5748	0.479717
Email a SAS	5354	0.446834
Correo postal sin cupón	5008	0.417958
Eventos	1577	0.131613
Entidad financiera	343	0.028626
	173	0.014438
Email a Empresas	162	0.013520
Teléfono Officers	126	0.010516
Email a officers Mid Donors	9	0.000751
Cloud page	8	0.000668
Email a One to one	5	0.000417
n/a	3	0.000250
SMS	2	0.000167
Teléfono Herencias y Legados	2	0.000167
Email a Iniciativas Solidarias	2	0.000167
Redes Sociales	1	0.000083
Email Director/a General	1	0.000083

	# Tot	% Tot
10.00	283542	23.663858
15.00	133048	11.103924
5.00	113650	9.485006
20.00	89248	7.448463
12.00	62605	5.224890
30.00	50617	4.224395
6.00	48472	4.045378
3.00	30398	2.536957
25.00	29725	2.480790
50.00	24828	2.072096
8.00	22023	1.837996
60.00	19257	1.607151
0.00	19245	1.606150
7.00	16418	1.370214
6.01	16086	1.342506
100.00	14742	1.230338
14.00	13508	1.127351
40.00	12300	1.026534
30.05	12251	1.022444
18.03	11212	0.935731
18.00	8598	0.717572
17.00	7785	0.649721
60.10	7704	0.642961
4.33	6937	0.578948
35.00	6936	0.578865
9.00	6883	0.574442
150.00	6295	0.525368
4.00	6150	0.513267
120.00	6065	0.506173
11.00	5674	0.473541
16.00	5324	0.444331
13.00	5227	0.436235
22.00	4576	0.381904
12.02	4428	0.369552
26.00	4239	0.353779
45.00	4037	0.336920
200.00	3959	0.330410
36.00	3453	0.288181
19.00	3367	0.281003
70.00	3218	0.268568
75.00	2988	0.249373
80.00	2808	0.234350
90.00	2800	0.233682
23.00	2715	0.226589
24.00	2615	0.218243
300.00	1999	0.166833
32.00	1809	0.150976
21.00	1628	0.135870
90.15	1614	0.134701
28.00	1449	0.120931
250.00	1391	0.116090
65.00	1357	0.113253
55.00	1308	0.109163
27.00	1303	0.108746
72.12	1253	0.104573
42.00	1185	0.098898
33.00	1124	0.093807
34.86	1123	0.093723
72.00	1114	0.092972
180.00	1069	0.089217
125.00	919	0.076698
130.00	910	0.075947
36.06	865	0.072191
110.00	813	0.067851
140.00	711	0.059339
120.20	653	0.054498
150.25	636	0.053079
500.00	601	0.050158
9.02	594	0.049574
14.42	586	0.048906
48.00	577	0.048155
160.00	557	0.046486
52.00	555	0.046319
3.01	551	0.045985
38.00	493	0.041145
85.00	489	0.040811
34.00	485	0.040477
400.00	456	0.038057
240.00	441	0.036805
37.00	440	0.036722
24.04	424	0.035386
7.50	416	0.034719
15.03	408	0.034051
48.08	397	0.033133
84.00	383	0.031964
170.00	379	0.031631
31.00	376	0.031380
8.67	357	0.029795
175.00	355	0.029628
260.00	335	0.027958
350.00	329	0.027458
600.00	322	0.026873
1000.00	313	0.026122
210.00	283	0.023619
28.85	271	0.022617
29.00	269	0.022450
165.00	260	0.021699
105.00	230	0.019195
115.00	227	0.018945
220.00	226	0.018862
46.00	219	0.018277
93.16	218	0.018194
62.00	203	0.016942
180.30	202	0.016859
12.50	201	0.016775
230.00	196	0.016358
56.00	189	0.015774
8.66	187	0.015607
78.00	186	0.015523
6.02	184	0.015356
135.00	184	0.015356
43.00	183	0.015273
144.00	181	0.015106
39.00	180	0.015022
44.00	179	0.014939
95.00	175	0.014605
54.00	174	0.014522
42.07	155	0.012936
41.00	153	0.012769
300.51	150	0.012519
34.85	150	0.012519
225.00	144	0.012018
66.00	144	0.012018
360.00	142	0.011851
190.00	138	0.011517
54.09	126	0.010516
96.00	124	0.010349
58.00	115	0.009598
155.00	114	0.009514
450.00	109	0.009097
9.01	106	0.008847
63.00	95	0.007929
2.00	95	0.007929
270.00	87	0.007261
57.70	87	0.007261
15.02	86	0.007177
47.00	83	0.006927
53.00	79	0.006593
51.00	77	0.006426
84.14	76	0.006343
320.00	73	0.006092
275.00	70	0.005842
601.01	65	0.005425
30.12	65	0.005425
144.24	65	0.005425
145.00	65	0.005425
280.00	62	0.005174
68.00	61	0.005091
310.00	60	0.005007
74.00	59	0.004924
98.00	59	0.004924
700.00	57	0.004757
57.00	56	0.004674
390.00	56	0.004674
300.50	55	0.004590
82.00	54	0.004507
330.00	54	0.004507
4.50	53	0.004423
1.00	51	0.004256
67.00	49	0.004089
112.00	47	0.003923
800.00	47	0.003923
185.00	46	0.003839
325.00	45	0.003756
3.50	44	0.003672
93.15	44	0.003672
550.00	43	0.003589
91.00	42	0.003505
108.18	41	0.003422
37.50	40	0.003338
2000.00	40	0.003338
1500.00	38	0.003171
76.00	38	0.003171
375.00	38	0.003171
108.00	36	0.003004
124.00	36	0.003004
1200.00	36	0.003004
21.04	35	0.002921
61.00	35	0.002921
64.00	33	0.002754
6.33	32	0.002671
7.05	32	0.002671
86.00	31	0.002587
240.41	31	0.002587
45.08	31	0.002587
92.00	31	0.002587
73.00	31	0.002587
94.00	31	0.002587
132.00	30	0.002504
77.00	30	0.002504
5.33	29	0.002420
365.00	29	0.002420
290.00	28	0.002337
156.00	28	0.002337
60.24	27	0.002253
59.00	26	0.002170
78.13	26	0.002170
102.00	25	0.002086
81.00	25	0.002086
162.00	25	0.002086
650.00	24	0.002003
520.00	24	0.002003
49.00	24	0.002003
7.21	23	0.001920
370.00	23	0.001920
28.84	23	0.001920
420.00	23	0.001920
27.05	22	0.001836
235.00	21	0.001753
900.00	21	0.001753
215.00	21	0.001753
45.07	21	0.001753
87.00	21	0.001753
205.00	20	0.001669
1.80	20	0.001669
9.12	20	0.001669
71.00	19	0.001586
168.00	19	0.001586
750.00	19	0.001586
210.35	18	0.001502
83.00	18	0.001502
22.50	18	0.001502
195.00	18	0.001502
126.00	18	0.001502
104.00	17	0.001419
69.00	17	0.001419
380.00	17	0.001419
425.00	17	0.001419
340.00	17	0.001419
122.00	17	0.001419
216.00	16	0.001335
101.00	16	0.001335
8.50	16	0.001335
3000.00	16	0.001335
360.61	16	0.001335
88.00	15	0.001252
216.36	15	0.001252
15.20	14	0.001168
460.00	14	0.001168
152.00	14	0.001168
106.00	14	0.001168
136.00	14	0.001168
240.40	14	0.001168
148.00	13	0.001085
433.00	13	0.001085
174.00	13	0.001085
480.00	13	0.001085
10.01	12	0.001001
66.11	12	0.001001
3.61	12	0.001001
6.50	12	0.001001
5.50	11	0.000918
0.60	11	0.000918
116.00	11	0.000918
93.00	11	0.000918
255.00	11	0.000918
90.36	11	0.000918
21.03	10	0.000835
97.00	10	0.000835
224.00	10	0.000835
7.51	10	0.000835
79.00	10	0.000835
51.96	9	0.000751
360.60	9	0.000751
10.50	9	0.000751
123.00	9	0.000751
410.00	9	0.000751
33.05	8	0.000668
142.00	8	0.000668
470.00	8	0.000668
1.20	8	0.000668
99.00	8	0.000668
14.33	8	0.000668
52.89	8	0.000668
17.50	7	0.000584
182.00	7	0.000584
236.00	7	0.000584
32.50	7	0.000584
57.69	7	0.000584
2.40	7	0.000584
430.00	7	0.000584
202.00	7	0.000584
1250.00	7	0.000584
96.16	7	0.000584
4.21	7	0.000584
40.05	7	0.000584
285.00	6	0.000501
103.00	6	0.000501
35.05	6	0.000501
850.00	6	0.000501
134.00	6	0.000501
315.00	6	0.000501
620.00	6	0.000501
6000.00	6	0.000501
27.04	6	0.000501
13.50	6	0.000501
4.81	6	0.000501
8.01	6	0.000501
721.22	6	0.000501
204.00	6	0.000501
192.00	6	0.000501
151.00	6	0.000501
660.00	6	0.000501
8.33	6	0.000501
1.50	6	0.000501
640.00	6	0.000501
196.00	6	0.000501
324.00	5	0.000417
107.00	5	0.000417
245.00	5	0.000417
265.00	5	0.000417
720.00	5	0.000417
164.00	5	0.000417
440.00	5	0.000417
114.00	5	0.000417
6.61	5	0.000417
109.00	5	0.000417
286.00	5	0.000417
112.99	5	0.000417
305.00	5	0.000417
128.00	5	0.000417
75.13	5	0.000417
222.00	5	0.000417
100.15	5	0.000417
4.20	5	0.000417
4.51	5	0.000417
1100.00	5	0.000417
5000.00	5	0.000417
18.75	5	0.000417
6.25	5	0.000417
345.00	4	0.000334
121.00	4	0.000334
3.60	4	0.000334
19.83	4	0.000334
212.00	4	0.000334
11.50	4	0.000334
450.75	4	0.000334
70.10	4	0.000334
117.00	4	0.000334
158.00	4	0.000334
137.00	4	0.000334
333.00	4	0.000334
113.00	4	0.000334
30.50	4	0.000334
198.00	4	0.000334
7.81	4	0.000334
475.00	4	0.000334
89.00	4	0.000334
21.64	4	0.000334
154.00	4	0.000334
2.50	4	0.000334
20.03	4	0.000334
194.00	4	0.000334
118.00	4	0.000334
7.01	4	0.000334
625.00	4	0.000334
201.00	4	0.000334
149.00	4	0.000334
161.00	4	0.000334
18.06	4	0.000334
184.00	4	0.000334
312.00	4	0.000334
270.46	4	0.000334
22.53	3	0.000250
901.52	3	0.000250
111.00	3	0.000250
166.00	3	0.000250
187.00	3	0.000250
62.50	3	0.000250
540.00	3	0.000250
51.09	3	0.000250
264.00	3	0.000250
65.10	3	0.000250
725.00	3	0.000250
60.01	3	0.000250
480.81	3	0.000250
139.00	3	0.000250
244.00	3	0.000250
186.00	3	0.000250
198.33	3	0.000250
274.00	3	0.000250
94.96	3	0.000250
153.00	3	0.000250
172.00	3	0.000250
131.00	3	0.000250
133.00	3	0.000250
820.00	3	0.000250
450.76	3	0.000250
0.06	3	0.000250
167.00	3	0.000250
560.00	3	0.000250
576.00	3	0.000250
127.00	3	0.000250
580.00	3	0.000250
415.00	3	0.000250
7.33	3	0.000250
7.77	2	0.000167
232.00	2	0.000167
9.20	2	0.000167
45.05	2	0.000167
16.67	2	0.000167
141.00	2	0.000167
10.22	2	0.000167
120.01	2	0.000167
27.50	2	0.000167
13.22	2	0.000167
416.00	2	0.000167
173.00	2	0.000167
6.31	2	0.000167
43.27	2	0.000167
301.00	2	0.000167
19.50	2	0.000167
2500.00	2	0.000167
52.50	2	0.000167
16.50	2	0.000167
160.25	2	0.000167
3.33	2	0.000167
4.66	2	0.000167
36.66	2	0.000167
138.00	2	0.000167
242.00	2	0.000167
6.66	2	0.000167
14.02	2	0.000167
12.99	2	0.000167
12.62	2	0.000167
32.05	2	0.000167
252.00	2	0.000167
177.00	2	0.000167
157.00	2	0.000167
234.00	2	0.000167
189.00	2	0.000167
12.04	2	0.000167
570.00	2	0.000167
102.17	2	0.000167
5.41	2	0.000167
37.06	2	0.000167
288.00	2	0.000167
25.50	2	0.000167
585.00	2	0.000167
384.00	2	0.000167
20.05	2	0.000167
112.50	2	0.000167
295.00	2	0.000167
7212.00	2	0.000167
16.53	2	0.000167
10.33	2	0.000167
14.77	2	0.000167
740.00	2	0.000167
258.00	2	0.000167
18.60	2	0.000167
248.00	2	0.000167
138.23	2	0.000167
83.33	2	0.000167
30.02	2	0.000167
10.82	2	0.000167
335.00	2	0.000167
128.02	2	0.000167
25.24	2	0.000167
8000.00	2	0.000167
42.05	2	0.000167
2.10	2	0.000167
132.22	2	0.000167
193.00	2	0.000167
302.00	2	0.000167
405.00	2	0.000167
39.07	2	0.000167
24.50	2	0.000167
13.82	2	0.000167
100.01	2	0.000167
15.60	2	0.000167
1502.53	2	0.000167
13.33	2	0.000167
20.83	2	0.000167
602.00	2	0.000167
16.80	2	0.000167
346.00	2	0.000167
420.71	2	0.000167
12.01	2	0.000167
126.21	2	0.000167
3600.00	2	0.000167
23.03	2	0.000167
36.05	2	0.000167
4.30	2	0.000167
18.63	2	0.000167
13.52	2	0.000167
143.00	2	0.000167
60.05	2	0.000167
8.30	2	0.000167
123.21	2	0.000167
1202.02	2	0.000167
525.00	2	0.000167
18.66	2	0.000167
39.85	2	0.000167
20.01	2	0.000167
446.00	2	0.000167
70.25	1	0.000083
75.12	1	0.000083
4.99	1	0.000083
8.41	1	0.000083
13.70	1	0.000083
13.34	1	0.000083
21.50	1	0.000083
75.10	1	0.000083
19.90	1	0.000083
6.20	1	0.000083
3.20	1	0.000083
253.00	1	0.000083
39.01	1	0.000083
385.00	1	0.000083
20.33	1	0.000083
10.25	1	0.000083
13.40	1	0.000083
77.10	1	0.000083
31.84	1	0.000083
40.06	1	0.000083
323.00	1	0.000083
22.02	1	0.000083
181.00	1	0.000083
6.60	1	0.000083
129.00	1	0.000083
81.10	1	0.000083
308.00	1	0.000083
41.06	1	0.000083
17.34	1	0.000083
306.51	1	0.000083
70.24	1	0.000083
52.88	1	0.000083
2250.00	1	0.000083
272.00	1	0.000083
224.24	1	0.000083
90.75	1	0.000083
70.01	1	0.000083
16.60	1	0.000083
175.25	1	0.000083
63.10	1	0.000083
2.99	1	0.000083
288.48	1	0.000083
180.20	1	0.000083
40.02	1	0.000083
23.50	1	0.000083
66.10	1	0.000083
211.00	1	0.000083
112.12	1	0.000083
206.14	1	0.000083
15.67	1	0.000083
316.00	1	0.000083
125.20	1	0.000083
9.50	1	0.000083
44.06	1	0.000083
146.00	1	0.000083
278.00	1	0.000083
755.00	1	0.000083
31.05	1	0.000083
20.43	1	0.000083
504.00	1	0.000083
306.00	1	0.000083
38.06	1	0.000083
565.00	1	0.000083
120.10	1	0.000083
11.33	1	0.000083
28.34	1	0.000083
356.00	1	0.000083
450.50	1	0.000083
338.00	1	0.000083
1360.00	1	0.000083
1442.43	1	0.000083
159.00	1	0.000083
304.00	1	0.000083
322.00	1	0.000083
262.00	1	0.000083
147.00	1	0.000083
169.00	1	0.000083
7.25	1	0.000083
19.03	1	0.000083
218.00	1	0.000083
860.00	1	0.000083
318.00	1	0.000083
10.57	1	0.000083
185.25	1	0.000083
52.58	1	0.000083
66.50	1	0.000083
182.50	1	0.000083
950.00	1	0.000083
320.50	1	0.000083
56.25	1	0.000083
451.00	1	0.000083
256.00	1	0.000083
183.00	1	0.000083
136.50	1	0.000083
530.00	1	0.000083
126.15	1	0.000083
17.73	1	0.000083
1750.00	1	0.000083
505.00	1	0.000083
47.50	1	0.000083
34.84	1	0.000083
382.00	1	0.000083
60.15	1	0.000083
25000.00	1	0.000083
1120.00	1	0.000083
33.33	1	0.000083
4.63	1	0.000083
468.00	1	0.000083
252.36	1	0.000083
100.10	1	0.000083
39.99	1	0.000083
9.61	1	0.000083
14.50	1	0.000083
67.50	1	0.000083
289.00	1	0.000083
28.66	1	0.000083
374.00	1	0.000083
214.00	1	0.000083
13.02	1	0.000083
5.30	1	0.000083
34.12	1	0.000083
199.00	1	0.000083
203.00	1	0.000083
30.40	1	0.000083
311.00	1	0.000083
1803.03	1	0.000083
116.66	1	0.000083
229.00	1	0.000083
7.60	1	0.000083
675.00	1	0.000083
780.00	1	0.000083
10.05	1	0.000083
16.25	1	0.000083
119.00	1	0.000083
11.66	1	0.000083
207.00	1	0.000083
20.64	1	0.000083
55.80	1	0.000083
5.83	1	0.000083
71.96	1	0.000083
49.58	1	0.000083
9.32	1	0.000083
61.30	1	0.000083
143.04	1	0.000083
4.55	1	0.000083
0.72	1	0.000083
70.12	1	0.000083
5.25	1	0.000083
66.66	1	0.000083
60.12	1	0.000083
261.44	1	0.000083
30.95	1	0.000083
18.28	1	0.000083
16.46	1	0.000083
8.26	1	0.000083
22.54	1	0.000083
6010.12	1	0.000083
8.77	1	0.000083
9.25	1	0.000083
24.33	1	0.000083
54.93	1	0.000083
14.61	1	0.000083
1267.94	1	0.000083
6.10	1	0.000083
12.10	1	0.000083
16.83	1	0.000083
28.03	1	0.000083
15.29	1	0.000083
16.23	1	0.000083
19.23	1	0.000083
180.32	1	0.000083
3.91	1	0.000083
7.20	1	0.000083
37.26	1	0.000083
64.87	1	0.000083
20.04	1	0.000083
300.52	1	0.000083
29.99	1	0.000083
39.06	1	0.000083
31.50	1	0.000083
246.42	1	0.000083
9.62	1	0.000083
20.50	1	0.000083
633.00	1	0.000083
510.00	1	0.000083
796.00	1	0.000083
436.00	1	0.000083
2013.00	1	0.000083
10.03	1	0.000083
36.07	1	0.000083
601.00	1	0.000083
183.31	1	0.000083
12.52	1	0.000083
4000.00	1	0.000083
242.50	1	0.000083
83.50	1	0.000083
33.83	1	0.000083
605.00	1	0.000083
8.25	1	0.000083
24.02	1	0.000083
24.64	1	0.000083
5.05	1	0.000083
13.25	1	0.000083
25.07	1	0.000083
125.34	1	0.000083
18.09	1	0.000083
15.25	1	0.000083
12.60	1	0.000083
277.00	1	0.000083
690.00	1	0.000083
362.00	1	0.000083
138.15	1	0.000083
10000.00	1	0.000083
25.60	1	0.000083
16.20	1	0.000083
11.21	1	0.000083
50.40	1	0.000083
2400.00	1	0.000083
666.00	1	0.000083
241.00	1	0.000083
171.00	1	0.000083
280.36	1	0.000083
9.03	1	0.000083
5.60	1	0.000083
2253.80	1	0.000083
97.50	1	0.000083
24.40	1	0.000083
12.05	1	0.000083
258.44	1	0.000083
7.58	1	0.000083
7512.65	1	0.000083
5.87	1	0.000083
8.56	1	0.000083
458.00	1	0.000083
32.41	1	0.000083
3005.00	1	0.000083
1715.00	1	0.000083
209.00	1	0.000083
59.02	1	0.000083
366.00	1	0.000083
38.85	1	0.000083
867.00	1	0.000083
42.94	1	0.000083
9.99	1	0.000083
43.30	1	0.000083
2038.00	1	0.000083
2.80	1	0.000083
2095.00	1	0.000083
27.80	1	0.000083
12000.00	1	0.000083
710.00	1	0.000083
1803.00	1	0.000083
8.35	1	0.000083
89.25	1	0.000083
18.05	1	0.000083
1800.00	1	0.000083
590.00	1	0.000083
336.00	1	0.000083
225.35	1	0.000083
65.86	1	0.000083
550.75	1	0.000083
30.01	1	0.000083
59.50	1	0.000083
90.10	1	0.000083
228.00	1	0.000083
206.00	1	0.000083
64.90	1	0.000083
77.50	1	0.000083
176.00	1	0.000083
680.50	1	0.000083
150.15	1	0.000083
840.00	1	0.000083
42.50	1	0.000083
15.78	1	0.000083
6.35	1	0.000083
72.30	1	0.000083
288.49	1	0.000083
1060.00	1	0.000083
30.06	1	0.000083
8.80	1	0.000083
0.90	1	0.000083
9.08	1	0.000083
330.56	1	0.000083
13.88	1	0.000083
6.67	1	0.000083
0.77	1	0.000083
30.03	1	0.000083
6666.00	1	0.000083
23.08	1	0.000083
18.30	1	0.000083
168.28	1	0.000083
95.05	1	0.000083
31.40	1	0.000083
2700.00	1	0.000083
33.30	1	0.000083
2200.00	1	0.000083
100.97	1	0.000083
1275.74	1	0.000083
49.54	1	0.000083
3.88	1	0.000083
190.20	1	0.000083
34.33	1	0.000083
462.00	1	0.000083
751.27	1	0.000083
95.56	1	0.000083
300.01	1	0.000083
3035.00	1	0.000083
612.00	1	0.000083
1620.00	1	0.000083
52.02	1	0.000083
16.33	1	0.000083
16.16	1	0.000083
252.43	1	0.000083
11.97	1	0.000083
1150.00	1	0.000083
6.59	1	0.000083
68.43	1	0.000083
333.76	1	0.000083
1000000.00	1	0.000083
5555.00	1	0.000083
11.01	1	0.000083

	# Tot	% Tot
2004-01-01	5000	0.417290
2000-02-01	4604	0.384241
1994-10-01	3829	0.319561
2000-01-01	3810	0.317975
1995-02-01	3377	0.281838
...	...	...
2000-09-08	1	0.000083
1991-02-16	1	0.000083
1993-11-08	1	0.000083
1992-09-30	1	0.000083
2003-05-06	1	0.000083

	# Tot	% Tot
Monthly	928070	77.454897
Yearly	125456	10.470311
Quarterly	89401	7.461232
	28832	2.406262
Semestral	20047	1.673083
Bimensual	6401	0.534215

	# Tot	% Tot
Closed	715235	59.692107
Open	482947	40.305807
None	24	0.002003
Close	1	0.000083

	# Tot	% Tot
0.00	465514	38.912554
670.00	40774	3.408320
1005.00	22332	1.866743
1340.00	14305	1.195762
335.00	11733	0.980767
...	...	...
659.53	1	0.000084
220.04	1	0.000084
277.32	1	0.000084
384.24	1	0.000084
970.45	1	0.000084

	# Tot	% Tot
7013Y000001mqtnQAA	55336	4.618234
7013Y000001mr4CQAQ	38368	3.202118
7013Y000001mrCzQAI	35953	3.000567
7013Y000001mr2DQAQ	32217	2.688767
7013Y000001mr2cQAA	27436	2.289755
...	...	...
7013Y000001mrZJQAY	1	0.000083
7013Y000001mrgaQAA	1	0.000083
7013Y000001mrHlQAI	1	0.000083
7013Y000001vCNjQAM	1	0.000083
7013Y000001mrKFQAY	1	0.000083

	# Tot	% Tot
0.0	465514	38.912554
67.0	240168	20.075766
6.0	45376	3.793003
1.0	34577	2.890309
5.0	32738	2.736586
2.0	26558	2.219997
22.0	22576	1.887139
3.0	20987	1.754314
4.0	18250	1.525527
23.0	17528	1.465175
11.0	11887	0.993640
7.0	10423	0.871264
8.0	10076	0.842258
12.0	9527	0.796367
9.0	9273	0.775135
10.0	8725	0.729327
13.0	8149	0.681179
16.0	6981	0.583545
14.0	6895	0.576357
20.0	6394	0.534478
19.0	6183	0.516840
15.0	6163	0.515168
21.0	6139	0.513162
17.0	5729	0.478890
18.0	5632	0.470782
33.0	5537	0.462841
25.0	4887	0.408507
24.0	4797	0.400984
27.0	4743	0.396470
34.0	4673	0.390618
26.0	4623	0.386439
66.0	4569	0.381925
28.0	4163	0.347987
31.0	4105	0.343139
29.0	4099	0.342638
36.0	4006	0.334864
30.0	3949	0.330099
42.0	3881	0.324415
32.0	3729	0.311709
45.0	3719	0.310873

	# Tot	% Tot
Direct Debit	1172815	97.880834
	19192	1.601727
CreditCard	6124	0.511097
ACMA	76	0.006343

	# Tot	% Tot
I - 1606380943266	4	0.00020
I - 1607861743589	4	0.00020
I - 1607861743594	4	0.00020
I - 1604071257275	4	0.00020
I - 1606811457416	4	0.00020
...	...	...
I - 1582731654437693325	1	0.00005
A - 1582731654437693317	1	0.00005
A - 1582731654437693309	1	0.00005
A - 1582731654437693301	1	0.00005
D - 1688925499163	1	0.00005

	# Tot	% Tot
1.000000e+01	407031	20.320876
5.000000e+00	294167	14.686181
1.500000e+01	152100	7.593538
2.000000e+00	133031	6.641525
3.000000e+00	121177	6.049718
...	...	...
1.237500e+03	1	0.000050
2.480000e+03	1	0.000050
1.343000e+02	1	0.000050
1.156700e+02	1	0.000050
6.507972e+08	1	0.000050

	# Tot	% Tot
1.200000e+02	385981	19.269962
6.000000e+01	301818	15.068155
2.400000e+01	133909	6.685358
1.800000e+02	132844	6.632189
3.600000e+01	119288	5.955410
...	...	...
1.389000e+01	1	0.000050
6.490920e+03	1	0.000050
2.939900e+02	1	0.000050
2.170800e+02	1	0.000050
7.809566e+09	1	0.000050

	# Tot	% Tot
Initial	1174130	58.618016
Increase	767916	38.337929
Decrease	60927	3.041758
Changes_without_variation_annualized_fee	46	0.002297

	# Tot	% Tot
Telemarketing	832085	41.541543
Persona a persona	371059	18.524987
	324788	16.214924
Web MSF	105789	5.281478
Cupón	86079	4.297463
Teléfono campaña	80095	3.998714
Personal con tablet	74862	3.737458
Entidad financiera	67438	3.366818
Teléfono SAS	17534	0.875379
Teléfono web	12659	0.631996
Web terceros	12565	0.627303
Email a SAS	10538	0.526106
Web campaña	4192	0.209284
Web MSF Mi perfil	939	0.046879
Cloud page	922	0.046031
Otro	542	0.027059
Teléfono Officers	441	0.022017
Correo postal sin cupón	227	0.011333
Email a Empresas	207	0.010334
Email a officers Mid Donors	23	0.001148
Email a One to one	10	0.000499
Email a Bodas	8	0.000399
Teléfono Herencias y Legados	6	0.000300
Email a Iniciativas Solidarias	4	0.000200
n/a	3	0.000150
SMS	2	0.000100
Email Director/a General	1	0.000050
Redes Sociales	1	0.000050

	# Tot	% Tot
Telemarketing	832029	41.538747
Persona a persona	445916	22.262195
	324964	16.223710
Formulario web	124405	6.210875
Cupón	86069	4.296964
Teléfono campaña	80020	3.994970
Entidad financiera	67431	3.366468
Teléfonos SAS	17534	0.875379
Teléfono web	12654	0.631746
Email	10779	0.538138
Otro	541	0.027009
Teléfonos Officers	441	0.022017
Correo postal sin cupón	227	0.011333
Teléfono Herencias y Legados	6	0.000300
SMS	2	0.000100
Redes Sociales	1	0.000050

	# Tot	% Tot
Teléfono	942686	47.063258
Personal	445916	22.262195
	324964	16.223710
Online	135185	6.749062
Correo postal	86296	4.308297
Entidad financiera	67431	3.366468
Otro	541	0.027009

	# Tot	% Tot
1.000000e+01	397732	19.856626
1.500000e+01	214087	10.688216
2.000000e+01	156745	7.825438
5.000000e+00	152635	7.620247
1.200000e+01	108041	5.393908
...	...	...
3.030000e+02	1	0.000050
1.809000e+01	1	0.000050
4.360000e+02	1	0.000050
6.851500e+02	1	0.000050
6.507972e+08	1	0.000050

	# Tot	% Tot
1.200000e+02	411248	20.531408
1.800000e+02	201969	10.083229
6.000000e+01	183545	9.163418
2.400000e+02	139200	6.949510
1.440000e+02	102569	5.120720
...	...	...
1.262040e+03	1	0.000050
6.970000e+01	1	0.000050
6.851500e+02	1	0.000050
2.404048e+05	1	0.000050
7.809566e+09	1	0.000050

	# Tot	% Tot
Monthly	1536735	76.720940
Yearly	251355	12.548808
Quarterly	170741	8.524183
Semestral	34468	1.720802
Bimensual	9485	0.473535
	235	0.011732

	# Tot	% Tot
2018-01-03	15448	0.771307
2017-02-02	13291	0.663610
2017-12-04	12659	0.632055
2018-02-01	11043	0.551369
2014-12-02	10917	0.545078
...	...	...
1990-01-10	1	0.000050
2000-12-07	1	0.000050
1991-09-03	1	0.000050
1996-11-09	1	0.000050
1991-11-18	1	0.000050

	# Tot	% Tot
0.0	534123	29.617244
1.0	87701	4.863041
6.0	84533	4.687374
8.0	76878	4.262903
7.0	74742	4.144461
9.0	73643	4.083521
13.0	61510	3.410744
2.0	55231	3.062572
5.0	53150	2.947180
12.0	52314	2.900823
10.0	50959	2.825688
4.0	49842	2.763750
29.0	48213	2.673422
18.0	44670	2.476962
3.0	42963	2.382308
11.0	41647	2.309336
14.0	41012	2.274125
19.0	40508	2.246178
17.0	36854	2.043563
15.0	33506	1.857915
16.0	32733	1.815052
20.0	27078	1.501481
23.0	26493	1.469043
22.0	21703	1.203436
25.0	19070	1.057436
24.0	17734	0.983354
21.0	13985	0.775471
28.0	13981	0.775250
27.0	13960	0.774085
31.0	13612	0.754789
26.0	8493	0.470939
30.0	7239	0.401404
32.0	1634	0.090606
34.0	552	0.030609
35.0	550	0.030498
33.0	370	0.020517
36.0	201	0.011145
37.0	32	0.001774

	# Tot	% Tot
	709207	39.325692
2018	303667	16.838405
2022	185032	10.260067
2021	93074	5.160975
2020	90828	5.036434
2019	77054	4.272662
2023	55899	3.099612
2010	29210	1.619701
1994	28224	1.565027
2017	21245	1.178040
2005	15932	0.883433
2014	14681	0.814065
2011	14643	0.811958
2004	13160	0.729725
2000	12659	0.701944
2015	11996	0.665181
2001	11403	0.632299
1998	11363	0.630081
2013	10940	0.606626
2016	9948	0.551619
2003	9537	0.528829
2008	8465	0.469386
1999	8142	0.451476
2009	7599	0.421366
1996	6869	0.380888
2012	6795	0.376784
2006	6723	0.372792
1992	6238	0.345899
2007	5562	0.308414
2002	4753	0.263555
1997	4491	0.249027
1995	4064	0.225350
1993	2470	0.136962
1991	624	0.034601
1989	435	0.024121
1990	212	0.011755
1988	187	0.010369
1987	88	0.004880

	# Tot	% Tot
	978577	54.262321
1964	18538	1.027936
1963	18278	1.013519
1965	18234	1.011080
1968	18067	1.001819
1959	17962	0.995997
1958	17951	0.995387
1962	17871	0.990951
1966	17855	0.990064
1973	17816	0.987901
1974	17776	0.985683
1975	17754	0.984463
1957	17705	0.981746
1961	17701	0.981525
1960	17684	0.980582
1972	17602	0.976035
1967	17569	0.974205
1976	17476	0.969048
1971	17399	0.964779
1969	17397	0.964668
1970	17285	0.958457
1977	16927	0.938606
1978	16689	0.925409
1956	16033	0.889034
1979	16023	0.888479
1980	15320	0.849498
1955	14913	0.826929
1981	14485	0.803197
1954	13777	0.763938
1982	13359	0.740760
1953	13105	0.726675
1983	12665	0.702277
1952	12655	0.701723
1984	11754	0.651762
1951	11508	0.638121
1950	11123	0.616773
1985	10843	0.601247
1949	10698	0.593207
1948	10334	0.573023
1986	9804	0.543634
1987	9147	0.507203
1947	9075	0.503211
1988	8543	0.473711
1989	8272	0.458684
1946	8261	0.458074
1945	8234	0.456577
1991	7771	0.430904
1990	7748	0.429628
1992	7676	0.425636
1993	7401	0.410387
1994	7375	0.408945
1996	7255	0.402291
1995	7246	0.401792
1944	7141	0.395970
1943	7129	0.395305
1997	7041	0.390425
1999	6720	0.372626
1998	6627	0.367469
2000	6424	0.356212
2001	5559	0.308248
1942	5491	0.304477
1940	5175	0.286955
1941	4961	0.275089
2002	4619	0.256125
2003	3607	0.200009
1936	3586	0.198845
1938	3348	0.185647
1937	3315	0.183818
1939	3294	0.182653
1935	3234	0.179326
1934	2862	0.158699
1933	2513	0.139346
1932	2359	0.130807
1930	2069	0.114727
2004	2032	0.112675
1931	2025	0.112287
1929	1485	0.082344
1928	1386	0.076854
1927	1123	0.062271
1926	959	0.053177
1925	860	0.047687
1924	743	0.041200
1923	589	0.032660
1922	545	0.030220
1921	419	0.023234
1920	338	0.018742
2020	313	0.017356
1919	295	0.016358
2005	238	0.013197
1918	194	0.010757
2019	181	0.010036
2006	163	0.009038
1917	158	0.008761
1916	132	0.007319
2017	131	0.007264
2008	123	0.006820
2007	116	0.006432
2016	114	0.006321
1915	103	0.005711
2014	93	0.005157
2021	85	0.004713
2015	85	0.004713
2013	85	0.004713
2018	77	0.004270
1914	75	0.004159
2012	74	0.004103
2010	71	0.003937
2009	68	0.003771
2011	58	0.003216
1913	57	0.003161
1911	41	0.002273
1912	33	0.001830
2022	23	0.001275
1909	22	0.001220
1910	21	0.001164
2023	19	0.001054
1906	12	0.000665
1904	12	0.000665
1908	11	0.000610
1907	9	0.000499
1905	8	0.000444
1903	6	0.000333
1900	6	0.000333
1902	5	0.000277
1901	3	0.000166
1897	2	0.000111
1800	1	0.000055
1893	1	0.000055
1712	1	0.000055

	# Tot	% Tot
7013Y000001mrCzQAI	184255	10.216982
7013Y000001vYkXQAU	60467	3.352909
7013Y000001mrC7QAI	60346	3.346200
7013Y000001mr1MQAQ	45720	2.535185
7013Y000001mr4CQAQ	39785	2.206087
...	...	...
7013Y000001vQQaQAM	1	0.000055
7013Y000001mrPEQAY	1	0.000055
7013Y000001va2hQAA	1	0.000055
7013Y000001mrHCQAY	1	0.000055
7013Y000001mre3QAA	1	0.000055

	# Tot	% Tot
Otro	518507	28.751333
Telemarketing	413225	22.913422
Persona a persona	354960	19.682614
Web MSF	137215	7.608603
Web terceros	96714	5.362814
Cupón	81431	4.515368
Personal con tablet	73165	4.057016
Teléfono campaña	39125	2.169490
Web campaña	28490	1.579777
Eventos	13171	0.730335
	8860	0.491289
Redes Sociales	7426	0.411773
Entidad financiera	6672	0.369964
Email a Bodas	5654	0.313516
Teléfono web	5216	0.289228
Plataforma iniciativas	4622	0.256291
Teléfono SAS	2520	0.139735
Email a Empresas	2286	0.126759
Email a SAS	2206	0.122323
Email a Iniciativas Solidarias	591	0.032771
Correo postal sin cupón	475	0.026339
Email a One to one	364	0.020184
Teléfono Officers	185	0.010258
Email herencias	143	0.007929
Teléfono Herencias y Legados	98	0.005434
TelEfono officers	56	0.003105
SMS	16	0.000887
Email a officers Mid Donors	10	0.000555
Cloud page	10	0.000555
Email Presidente/a MSF	2	0.000111
Email Director/a General	2	0.000111
Tel?fono SAS	2	0.000111

	# Tot	% Tot
	643136	35.662040
Persona a persona	311433	17.269032
Otro	287825	15.959963
Telemarketing	171639	9.517422
Web MSF	104919	5.817783
Cupón	76517	4.242885
Personal con tablet	68111	3.776771
Web terceros	65274	3.619458
Teléfono campaña	37964	2.105113
Web campaña	11214	0.621819
Teléfono web	5200	0.288341
Entidad financiera	4822	0.267381
Plataforma iniciativas	4774	0.264719
Teléfono SAS	2876	0.159475
Email a SAS	1945	0.107851
Eventos	1470	0.081512
web campaña	1119	0.062049
Email a Bodas	888	0.049240
Email a Empresas	877	0.048630
Correo postal sin cupón	629	0.034878
cupón	258	0.014306
Teléfono Officers	195	0.010813
Web MSF Mi perfil	189	0.010480
Email herencias	59	0.003272
Teléfono Herencias y Legados	30	0.001664
Email a Iniciativas Solidarias	22	0.001220
Email a One to one	17	0.000943
sms	7	0.000388
Email a officers Mid Donors	4	0.000222
Cloud page	3	0.000166
Email a one to one	2	0.000111
Email Director/a General	1	0.000055

	# Tot	% Tot
Nunca	1150813	63.812847
Exdonante	512353	28.410092
Donante	113287	6.281790
	26966	1.495271

	# Tot	% Tot
Nunca	783149	43.425793
Baja	511080	28.339504
Socio	482224	26.739432
	26966	1.495271

	# Tot	% Tot
2004-11-10	33850	1.876991
2013-03-28	19100	1.059100
2015-12-22	14283	0.791996
2022-01-14	13308	0.737932
2010-03-29	11776	0.652982
...	...	...
1990-08-31	1	0.000055
1991-02-21	1	0.000055
1990-08-15	1	0.000055
1990-07-19	1	0.000055
1994-09-18	1	0.000055